MARC

 008250123s2024        us                              c    eng  d
■001000017163742
■00520250211152747
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342107211
■035    ▼a(MiAaPQ)AAI31520314
■035    ▼a(MiAaPQ)Stanfordsz944xc0403
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a510
■1001  ▼aHua,  Xinru.
■24510▼aAlgorithms  for  Robust  Learning,  Gradient  Flows,  and  Diffusion  Generation  of  Rare  Events
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a125  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Mancilla,  Jose  Blanchet;Ma,  Tengyu.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aAs  machine  learning  systems  become  an  integral  part  of  our  daily  lives,  particularly  with  the  remarkable  advancements  of  foundation  models,  we  must  assess  their  trustworthiness,  fairness,  and  also  exploring  methods  to  improve  these  crucial  aspects.  This  dissertation  explores  the  measurement  and  enhancement  of  a  machine  learning  model's  performance,  robustness,  and  fairness.  Furthermore,  we  explore  the  design  and  deployment  of  these  systems  in  novel  application  fields,  with  these  metrics  as  crucial  objectives.This  thesis  aims  to  make  machine  learning  more  trustable  and  powerful  in  general.  The  first  topic  is  on  evaluating  the  robustness  and  fairness  of  machine  learning  models  and  strategies  to  enhance  them.  Our  method  combines  distributionally  robust  optimization  (DRO)  and  human  imperceptible  adversarial  attacks  to  simultaneously  improve  both  model  robustness  and  fairness.  By  analyzing  the  robustness  and  fairness  of  the  machine  learning  systems,  we  intuitively  bring  machine  perception  closer  to  human  perception.  In  addition  to  robustness  and  fairness,  we  study  the  gradient  flow  method  to  alleviate  data  scarcity  problem  and  improve  classification  systems'  performance  in  few-shot  learning  settings.  We  prove  the  gradient  flow  method  converge  globally  and  the  downstream  transfer  learning  tasks  demonstrate  its  ability  to  generate  useful  data  samples.  Lastly,  we  focus  on  an  innovative  application  of  machine  learning  algorithms  in  the  field  of  material  science.  Specifically,  we  design  machine  learning  systems  to  accelerate  the  sampling  of  rare  events  in  molecular  simulations.  Our  approach  yields  substantial  speed  improvements  compared  to  traditional  sampling  methods,  along  with  robust  estimations  of  the  probability  of  these  rare  events.Throughout  the  thesis,  we  demonstrate  that  machine  learning  can  be  improved  in  many  aspects,  including  fairness  and  robustness.  We  also  showcase  its  power  in  traditional  applications,  such  as  mechanical  simulations.  Future  work  will  extend  these  systems  to  tackle  more  complex  and  higher-dimensional  challenges.  With  the  ongoing  efforts,  the  thesis  contributes  to  the  development  of  more  reliable  and  potent  machine  learning  systems.
■590    ▼aSchool  code:  0212.
■650  4▼aSample  size
■650  4▼aDeep  learning
■650  4▼aNeural  networks
■650  4▼aDesign
■690    ▼a0389
■690    ▼a0800
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163742▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서