MARC

 008260126s2021        us                              c    eng  d
■001000017360524
■00520260202105541
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263395490
■035    ▼a(MiAaPQ)AAI32315129
■035    ▼a(MiAaPQ)GeorgiaTech65045
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a388.312
■1001  ▼aKwon,  Gukyeong.
■24510▼aLearning  Representations  Toward  the  Understanding  of  Out-Of-Distribution  for  Neural  Networks
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2021
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2021
■300    ▼a125  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Alregib,  Ghassan.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2021.
■520    ▼aData-driven  representations  achieve  powerful  generalization  performance  in  diverse  information  processing  tasks.  However,  the  generalization  is  often  limited  to  test  data  from  the  same  distribution  as  training  data  (in-distribution  (ID)).  In  addition,  the  neural  networks  often  make  overconfident  and  incorrect  predictions  for  data  outside  training  distribution,  called  out-of-distribution  (OOD).  In  this  dissertation,  we  develop  representations  that  can  characterize  OOD  for  the  neural  networks  and  utilize  the  characterization  to  efficiently  generalize  to  OOD.We  categorize  the  data-driven  representations  based  on  information  flow  in  neural  networks  and  develop  novel  gradient-based  representations.  In  particular,  we  utilize  the  backpropagated  gradients  to  represent  what  the  neural  networks  has  not  learned  in  the  data.  The  capability  of  gradient-based  representations  for  OOD  characterization  is  comprehensively  analyzed  in  comparison  with  standard  activation-based  representations.  We  also  develop  a  regularization  technique  for  the  gradient-based  representations  to  better  characterize  OOD.  We  develop  an  anomaly  detection  algorithm  named  GradCon  using  the  gradient  constraint  and  achieve  state-of-the-art  performance  in  OOD  detection.We  also  propose  activation-based  representations  learned  with  auxiliary  information  to  efficiently  generalize  to  data  from  OOD.  We  use  an  unsupervised  learning  framework  to  learn  the  aligned  representations  of  visual  and  attribute  data.  This  aligned  representation  are  utilized  to  calibrate  the  overconfident  prediction  toward  ID  classes.  The  generalization  performance  of  the  aligned  representations  is  validated  in  the  application  of  generalized  zero-shot  learning.  Our  developed  GZSL  method,  GatingAE,  achieves  state-of-the-art  performance  in  generalizing  to  OOD  without  using  labeled  OOD  data.  Also,  balanced  performance  for  both  ID  and  OOD  is  achieved  by  mitigating  the  prediction  bias  presented  in  the  network.  Finally,  GatingAE  requires  significantly  less  number  of  model  parameters  compared  to  other  state-of-the-art  methods.
■590    ▼aSchool  code:  0078.
■650  4▼aAutomobile  parking
■650  4▼aWavelet  transforms
■650  4▼aBack  propagation
■650  4▼aFourier  transforms
■650  4▼aStreet  signs
■650  4▼aNeural  networks
■650  4▼aTraffic  control
■650  4▼aInformation  processing
■650  4▼aData  compression
■650  4▼aComputer  science
■650  4▼aMathematics
■650  4▼aTransportation
■650  4▼aUrban  planning
■690    ▼a0800
■690    ▼a0984
■690    ▼a0405
■690    ▼a0709
■690    ▼a0999
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2021
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360524▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서