MARC

 008260126s2025        us                              c    eng  d
■001000017357123
■00520260202103135
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798311957151
■035    ▼a(MiAaPQ)AAI31974587
■035    ▼a(MiAaPQ)Stanfordbp098kt2063
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a511.5
■1001  ▼aMutlu,  Onur  Cezmi.
■24510▼aAdaptation  and  Regularization  of  Deep  Neural  Networks  Under  Temporal  Smoothness  Assumption
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a86  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Wall,  Dennis.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aDeep  neural  networks  have  demonstrated  exceptional  performance  across  various  machine  learning  tasks  over  the  past  decade,  yet  their  deployment  in  resource-constrained  and  dynamically  shifting  real-world  environments  remains  a  challenge.  While  largescale  models  excel  in  accuracy,  their  computational  demands  often  render  them  impractical  for  edge  devices  and  real-time  applications.  In  contrast,  lightweight  models,  although  efficient,  frequently  suffer  from  decreased  robustness  and  generalization,  particularly  in  dynamic  settings  that  involve  domain  shifts.  This  trade-off  is  especially  problematic  in  mobile  healthcare  applications,  where  privacy,  efficiency,  and  reliability  are  critical  constraints.This  dissertation  introduces  TempT  (Temporal  Consistency  for  Test-Time  Adaptation),  a  novel  test-time  adaptation  (TTA)  approach  designed  to  enhance  the  robustness  of  deep  neural  networks  without  requiring  labeled  data.  TempT  leverages  temporal  coherence  as  a  self-supervised  learning  signal,  enforcing  smoothness  constraints  on  model  predictions  across  sequential  inputs.  By  minimizing  high-frequency  fluctuations,  the  method  not  only  improves  prediction  stability  but  also  enhances  model  performance  and  robustness  in  unseen  environments.  This  adaptation  technique  is  particularly  effective  in  video-based  learning  tasks,  such  as  facial  expression  recognition  or  video  object  detection,  where  maintaining  consistency  across  frames  is  crucial.Furthermore,  we  explore  the  application  of  topological  data  analysis  (TDA),  particularly  Persistent  Homology,  as  a  mechanism  for  quantifying  model  behavior  during  adaptation.  By  analyzing  the  topological  features  of  intermediate  network  activations,  we  develop  a  selective  adaptation  strategy,  enabling  the  model  to  determine  when  adaptation  is  beneficial  and  when  it  might  degrade  performance.  Additionally,  we  propose  a  novel  regularization  technique  based  on  temporal  consistency,  which  mproves  model  generalization,  and  robustness  against  domain  shifts.We  evaluate  our  frameworks  on  real-world  datasets,  including  AffWild2,  SHIFT,  and  CIFAR100P.  Experimental  results  demonstrate  that  TempT  not  only  outperforms  existing  test-time  adaptation  methods,  but  also  enables  computationally  efficient  models  to  achieve  performance  levels  comparable  to  larger,  more  expensive  architectures.  This  work  bridges  the  gap  between  domain  adaptation  and  self-supervised  learning,  offering  a  robust,  privacy-conscious,  and  scalable  solution  for  deep  learning  in  constrained  environments.
■590    ▼aSchool  code:  0212.
■650  4▼aGraphs
■650  4▼aVideo  recordings
■650  4▼aNeural  networks
■650  4▼aAdaptation
■650  4▼aFault  tolerance
■650  4▼aOptimization  algorithms
■650  4▼aEntropy
■650  4▼aComputer  science
■690    ▼a0984
■690    ▼a0800
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357123▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서