Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 290)
Detail práce
   Přihlásit přes CAS
Adversarial Patterns in Multilayered Neural Networks
Název práce v češtině: Adversarial Patterns in Multilayered Neural Networks
Název v anglickém jazyce: Adversarial Patterns in Multilayered Neural Networks
Klíčová slova: klasifikace, klastrování, vícevrstvé neuronové sítě, CNN-sítě, reprezentace znalostí
Klíčová slova anglicky: classification, clustering, multilayered neural networks, CNN-networks, knowledge representation
Akademický rok vypsání: 2018/2019
Typ práce: diplomová práce
Jazyk práce:
Ústav: Katedra teoretické informatiky a matematické logiky (32-KTIML)
Vedoucí / školitel: doc. RNDr. Iveta Mrázová, CSc.
Řešitel:
Zásady pro vypracování
The student shall review the following topics in his/her diploma thesis:

- overview and comparison of various paradigms applicable to the training of multi-layered neural networks (e.g., back-propagation training algorithm and its time-efficient modifications, convolutional neural networks, and their variants, etc.),

- recapitulation and mutual comparison of known approaches suitable for the detection of adversarial patterns, i.e., misclassified patterns that are, however, very similar to correctly classified patterns, (clustering, internal knowledge representation, sensitivity analysis, among others),

- interpretation and visualization of the found adversarial patterns and their characteristics.

The student will focus on some of these topics in more detail. Further, he/she will propose a suitable strategy for the detection, generation, and utilization of adversarial patterns based on real-world data, e.g., images, and will implement the models. The evaluation of the obtained results and gained experience shall form an important part of the thesis.
Seznam odborné literatury
1. Některé z dostupných základních učebnic, resp. přehledových článků vhodných pro zvolené téma, např.:
- N. Buduma: Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms, O´Reilly, (2017).
- I. Goodfellow, Y. Bengio, and A. Courville: Deep Learning, The MIT Press, (2016).
- S. Haykin: Neural Networks and Learning Machines, 3rd edition, Pearson, (2009).

2. Články:
- I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Orair, S. Courville, and Y. Bengio: Generative adversarial networks, in: Proc. of NIPS´2014, (2014), pp. 2672–2680.
- I. Goodfellow, J. Shlens, and C. Szegedy: Explaining and Harnessing Adversarial Examples, in: Proc. of ICLR´2015, (2015), CoRR, abs/1412.6572, 12 p.
- A. Kurakin, I. Goodfellow, S. Bengio: Adversarial examples in the physical world, in: Proc. of ICLR´2017 – Workshop track, (2017), Preprint arXiv:1607.02533, 14 p.
- Y. LeCun, L. Bottou, Y. Bengio, P. Haffner: Gradient-Based Learning Applied to Document Recognition, in: Proc. of the IEEE, Vol. 86(11), (1998), pp. 2278-2324.
- A. Nguyen, J. Yosinski, J. Clune: Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images, in: Proc. of CVPR´2015, IEEE, (2015), 20 p.
- P. Sermanet, Y. LeCun: Traffic Sign Recognition with Multi-Scale Convolutional Networks, in: Proc. of IJCNN 2011, IEEE, (2011), pp. 2809-2813.
- C. Szegedy, W. Zaremba, I. Sutskever, J. Bruna, D. Erhan, I. Goodfellow, and R. Fergus: Intriguing Properties of Neural Networks, in: Proc. of ICLR´2014, (2014), abs/1312.6199.

3. Aktuální články z profilujících světových časopisů, např.:
Neurocomputing, Neural Networks, IEEE Transactions on Neural Networks, etc.
 
Univerzita Karlova | Informační systém UK