MARC

 008250123s2024        us                              c    eng  d
■001000017164166
■00520250211152839
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384140955
■035    ▼a(MiAaPQ)AAI31562084
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aXie,  Sirui.
■24512▼aA  Generative  Account  of  Latent  Abstractions
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a298  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Terzopoulos,  Demetri;Zhu,  Song-Chun.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aAbstractions  are  fundamental  to  human  intelligence,  extending  far  beyond  pattern  recognition.  They  enable  the  distillation  and  organization  of  complex  information  into  structured  knowledge,  facilitate  the  succinct  communication  of  intricate  ideas,  and  empower  us  to  navigate  complex  decision-making  scenarios  with  consistent  value  prediction.  The  ability  to  abstract  is  particularly  fascinating  because  abstractions  are  not  inherently  present  in  raw  data  ---  they  are  latent  variables  underlying  our  observations.  Despite  the  recent  phenomenal  advances  in  modeling  data  distributions,  Generative  Artificial  Intelligence  (GenAI)  systems  still  lack  robust  principles  for  the  autonomous  emergence  of  latent  abstractions.This  dissertation  studies  the  problem  of  unsupervised  latent  abstraction  learning,  focusing  on  developing  modeling,  learning,  and  inference  methods  for  latent-variable  generative  models  across  diverse  high-dimensional  data  modalities.  The  core  premise  is  that  by  incorporating  algebraic,  geometric,  and  statistical  structures  into  the  latent  space  and  generator,  we  can  cultivate  representations  of  latent  variables  that  explain  observed  data  in  alignment  with  human  understanding.The  dissertation  consists  of  four  parts.  The  first  three  explore  the  generative  constructs  of  latent  abstractions  for  Category,  Object,  and  Decision,  respectively.  Part  I  examines  the  basic  structure  of  categories,  emphasizing  their  symbol-vector  duality.  We  develop  a  latent-variable  text  model  with  a  coupling  of  symbols  and  vectors  in  its  representations.  We  investigate  another  representation  that  is  both  discrete  and  continuous  ---  iconic  symbols  ---  in  a  visual  communication  game.  Part  II  enriches  the  abstract  structure  by  shifting  focus  to  object-centric  abstractions  in  visual  data.  We  introduce  a  generative  model  that  disentangles  objects  from  backgrounds  in  the  latent  space.  We  then  rethink  the  algebraic  structures  of  object  abstractions  and  propose  a  novel  metric  that  measures  compositionality  as  a  more  generic  form  than  disentanglement.  Part  III  incorporates  situational  context  by  introducing  a  sequential  decision-making  aspect  with  trajectory  data.  Here,  latent  abstractions  manifest  as  actions  and  plans.  We  bridge  the  theories  of  decision-making  and  generative  modeling,  proving  that  the  inference  of  latent  decisions  enhances  consistency  with  the  model's  understanding  while  optimizing  intrinsic  values.  Whereas  these  three  parts  adopt  the  paradigm  of  directly  learning  from  raw  data,  Part  IV  introduces  a  dialectic  discussion  with  an  alternative  paradigm,  Knowledge  Distillation.  We  demonstrate  how  to  distill  from  and  accelerate  the  state-of-the-art  massive-scale  data-space  models  by  re-purposing  our  methods  and  techniques  for  latent-variable  generative  modeling.Together,  the  contributions  of  this  dissertation  enable  GenAI  systems  to  overcome  the  critical  bottlenecks  of  alignment,  efficiency,  and  consistency  in  representation,  inference,  and  decision-making.
■590    ▼aSchool  code:  0031.
■650  4▼aComputer  engineering
■650  4▼aComputer  science
■653    ▼aDecision-making
■653    ▼aGenerative  models
■653    ▼aLatent  abstractions
■653    ▼aGenerative  Artificial  Intelligence
■690    ▼a0800
■690    ▼a0984
■690    ▼a0464
■71020▼aUniversity  of  California,  Los  Angeles▼bComputer  Science  0201.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164166▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books