velikost textu

Online training of deep neural networks for classification

Upozornění: Informace získané z popisných dat či souborů uložených v Repozitáři závěrečných prací nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora.
Název:
Online training of deep neural networks for classification
Název v češtině:
Online trénování hlubokých neuronových sítí pro klasifikaci
Typ:
Diplomová práce
Autor:
Mgr. Jiří Tumpach
Vedoucí:
doc. RNDr. Ing. Martin Holeňa, CSc.
Oponent:
Jakub Kořenek
Id práce:
199821
Fakulta:
Matematicko-fyzikální fakulta (MFF)
Pracoviště:
Katedra teoretické informatiky a matematické logiky (32-KTIML)
Program studia:
Informatika (N1801)
Obor studia:
Umělá inteligence (IUI)
Přidělovaný titul:
Mgr.
Datum obhajoby:
16. 9. 2019
Výsledek obhajoby:
Výborně
Jazyk práce:
Angličtina
Klíčová slova:
neuronové sítě, varianční autoenkodér, online učení, klasifikace
Klíčová slova v angličtině:
neural network, variational autoencoder, online learning, classification
Abstrakt:
Hluboké učení je obvykle používáno se statickými datasety. Když je ale použito pro klasifikaci dat z datového toku, není jednoduché vzít v úvahu nestacionárnost. Tato diplomová práce prezentuje práci na nové metodě online učení klasifikace datových toků s mírným nebo středním driftem dat a je proto vysoce relevantní pro aplikace v detekci malware. Metoda používá kombinaci vícevrstvého perceptronu a variančního autoenkodéru a získává tak konstantní prostorovou složitost díky vkládání historie do generativního modelu. Proto může zjednodušit použití online učení neuronových sítí pro nezávislé adaptivní systémy s omezenou pamětí. V závěru prezentuji první výsledky na datech z reálného malware, které vypadají slibně. 1
Abstract v angličtině:
Deep learning is usually applied to static datasets. If used for classification based on data streams, it is not easy to take into account a non-stationarity. This thesis presents work in progress on a new method for online deep classifi- cation learning in data streams with slow or moderate drift, highly relevant for the application domain of malware detection. The method uses a combination of multilayer perceptron and variational autoencoder to achieve constant mem- ory consumption by encoding past data to a generative model. This can make online learning of neural networks more accessible for independent adaptive sys- tems with limited memory. First results for real-world malware stream data are presented, and they look promising. 1
Dokumenty
Stáhnout Dokument Autor Typ Velikost
Stáhnout Text práce Mgr. Jiří Tumpach 1.22 MB
Stáhnout Abstrakt v českém jazyce Mgr. Jiří Tumpach 8 kB
Stáhnout Abstrakt anglicky Mgr. Jiří Tumpach 7 kB
Stáhnout Posudek vedoucího doc. RNDr. Ing. Martin Holeňa, CSc. 92 kB
Stáhnout Posudek oponenta Jakub Kořenek 89 kB
Stáhnout Záznam o průběhu obhajoby doc. RNDr. Iveta Mrázová, CSc. 152 kB