008240612s2023      us  |||||||||||||||c||eng  d
■001000016933399
■00520240214101242
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379725426
■035    ▼a(MiAaPQ)AAI30528614
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aPooladzandi,  Omead  Brandon.
■24510▼aFast  Training  of  Generalizable  Deep  Neural  Networks▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Los  Angeles.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(189  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Pottie,  Gregory  J.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aEffective  natural  agents  excel  in  learning  representations  of  our  world  and  efficiently  generalizing  to  make  decisions.  Critically,  developing  such  advanced  reasoning  capabilities  can  occur  even  with  limited  information-rich  samples.  In  stark  contrast,  the  major  success  of  deep  learning-based  artificial  agents  is  primarily  trained  on  massive  datasets.  This  dissertation  focuses  on  curvature-informed  learning  and  generative  modeling  methods  that  boost  efficiency  and  close  the  gap  between  natural  and  artificial  agents,  thus  enabling  computationally  efficient  and  improved  reasoning.This  dissertation  is  comprised  of  two  parts.  First,  we  formally  lay  the  foundations  for  learning.  The  goal  is  to  establish  optimization  techniques,  understand  datasets,  establish  probabilistic  generative  models,  and  provide  natural  learning  objectives  even  in  settings  with  limited  supervision.  We  discuss  various  first  and  second-order  optimization  methods,  show  the  importance  of  modeling  distributions  in  Variational  Auto  Encoders  (VAEs),and  discuss  which  points  are  essential  for  generalization  in  supervised  learning.  Building  on  these  insights,  we  develop  new  algorithms  to  boost  the  performance  of  state-of-the-art  models,  select  subsets  to  improve  data  quality,  speed  up  training,  mitigate  their  biases,  and  generate  new  augmentations  on  large  labeled  and  partially  labeled  datasets.  These  contributions  enable  ML  systems  to  better  model  and  generalize  to  unseen  and  potentially  out-of-distribution  samples  while  drastically  reducing  training  time  and  computational  cost.
■590    ▼aSchool  code:  0031.
■650  4▼aComputer  science.
■650  4▼aComputer  engineering.
■653    ▼aComputer  vision
■653    ▼aCurvature  aware  optimization
■653    ▼aGenerative  models
■653    ▼aMachine  learning
■653    ▼aSpeech  processing
■690    ▼a0984
■690    ▼a0800
■690    ▼a0464
■71020▼aUniversity  of  California,  Los  Angeles▼bElectrical  and  Computer  Engineering  0333.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933399▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024