Analysis and regularization of deep generative second order ordinary differential equations
Derin üretici ikinci dereceden adi diferansiyel denklemlerin analizi ve düzenlenmesi
- Tez No: 690425
- Danışmanlar: PROF. DR. LALE AKARUN ERSOY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Derin üretici modeller, verileri ürettiği varsayılan süreçleri öğrenmeyi amaçlar. Bu amaçla, derin üretici modeller, veriler ve verilerin düşük boyutlu gizli değişkenleri üzerindeki ortak olasılık dağılımını modeller. Sıralı veriler üzerindeki karmaşık olasılık dağılımlarını gözetimsiz biçimde öğrenmek derin üretici modeller için zorlu bir görevdir. Adi Diferansiyel Denklem Değişimsel Otokodlayıcı (ADDDO) yüksek boyutlu sıralı verilerin kompleks üretici dağılımlarını öğrenmeyi amaçlayan bir derin üretici modeldir. ADDDO modeli düşük boyutlu gizli değişkenleri ve değişkenlerin sürekli gizli dinamiklerini modellemek için sırasıyla değişimsel otokodlayıcı ve sinirsel adi diferansiyel denklem modellerini kullanır. Bu tezde, üç farklı fiziksel hareket veri setinde öğrenilen dinamik gizli temsilleri analiz ederek ADDDO modelinin sahip olduğu model varsayımının etkilerini incelenmiştir. Ardından verilerdeki farklılaşan statik özelliklerin öğrenilmesini kolaylaştırmak amacıyla bu model esnek düzenlileştirilme için yeniden formüle edilmiş ve ayrıca model mimarisi genişletilmiştir. Deneyler sonucunda ADDDO modelinin model varsayımının öğrenilen dinamik gösterimler üzerindeki etkileri ortaya çıkarılmış ve bu modelin, değişken statik özelliklere sahip dizileri modellemek için kullanıldığında yetersiz kaldığı gösterilmiştir.
Özet (Çeviri)
Deep generative models aim to learn processes that are assumed to generate the data. To this end, deep latent variable models use probabilistic frameworks to learn a joint probability distribution over the data and its low-dimensional hidden variables. A challenging task for the deep generative models is learning complex probability distributions over sequential data in an unsupervised setting. Ordinary Differential Equation Variational Auto-Encoder (ODE2VAE) is a deep generative model that aims to learn complex generative distributions of high-dimensional sequential data. The ODE2VAE model uses variational auto-encoders (VAEs) and neural ordinary differential equations (Neural ODEs) to model low-dimensional latent representations and continuous latent dynamics of the representations, respectively. In this thesis, we aim to explore the effects of the inductive bias in the ODE2VAE model by analyzing the learned dynamic latent representations over three different physical motion datasets. Then, we re-formulate the model for flexible regularization, and we extend the model architecture to facilitate the learning of the varying static features in the sequential data. Through the experiments, we uncover the effects of the inductive bias of the ODE2VAE model over the learned dynamical representations and demonstrate the ODE2VAE model's shortcomings when it is used for modeling sequences with varying static features.
Benzer Tezler
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Style-based generative adversarial networks for enhancing deep-learning-based person re-identification
Derin öğrenme tabanlı kişi yeniden tanımlamak için stil tabanlı üretici çekişmeli (adversarıal) ağlar
SALEH HUSSIN SALEM HUSSIN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REMZİ YILDIRIM
- Learning based multiple input multiple output radar imaging
Öğrenme tabanlı çok girişli çok çıkışlı radar görüntüleme
KUDRET AKÇAPINAR
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR GÜRBÜZ ÜNLÜYURT
DR. NAİME ÖZBEN ÖNHON
- Derin öğrenme yöntemleri ile kablosuz ağlara sızma tespiti
Wireless network intrusion detection using deep learning methods
EMRE HALİSDEMİR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HACER KARACAN
- The reusability prior in deep learning models
Derin öğrenme modellerinde yeniden kullanılabilirlik önseli
AYDIN GÖZE POLAT
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FERDA NUR ALPASLAN