MARC

 008260126s2024        us                              c    eng  d
■001000017360648
■00520260202105601
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265404947
■035    ▼a(MiAaPQ)AAI32315974
■035    ▼a(MiAaPQ)GeorgiaTech75284
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a000
■1001  ▼aBenkert,  Ryan.
■24510▼aTransitional  Information  Extraction
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a155  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  AlRegib,  Ghassan.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThe  practical  deployment  of  neural  networks  is  contingent  on  their  ability  to  extract  information  beyond  a  predictive  output.  Unfortunately,  neural  networks  do  not  naturally  implement  this  property  and  are  optimized  to  compress  information  unrelated  to  the  target  application.  For  this  purpose,  extracting  information  from  neural  networks  is  frequently  coupled  with  optimization  constraints  or  with  utilizing  a  collection  of  neural  networks  that  require  several  iterative  forward  passes.  While  each  of  these  paradigms  show  promising  results,  each  comes  with  a  set  of  drawbacks  that  limit  their  deployment  in  the  real  world:  constraints  can  result  in  a  performance  degradation  on  the  application  while  iterative  approaches  require  several  forward  passes.In  this  thesis,  we  address  these  limitations  by  realizing  iterative  information  extraction  as  a  sub-category  of  a  broader  family  of  paradigms  transitional  information  extraction.  A  key  observation  we  make  in  this  thesis  is  that  the  source  representations  are  generalizable  beyond  several  forward  passes  and  can  be  implemented  within  a  single  neural  network.  Our  approach  is  grounded  in  a  detailed  analysis  of  existing  paradigms  where  we  identify  causes  of  performance  decline  for  application  constraints,  as  well  as  implication  of  limited  data  on  the  information  extraction  capabilities  of  the  network.  Our  study  results  in  a  suite  of  algorithms  that  implement  transitional  information  extraction.  We  study  transitional  information  extraction  within  the  context  of  uncertainty  estimation.  Here,  we  develop  TULIP  which  leverages  intermediate  representations  to  preserve  information  as  data  points  traverse  the  network.  We  further  investigate  active  learning  where  we  consider  using  prediction  switches  to  extract  different  information  from  the  neural  network.  We  extract  information  related  to  robustness  with  GauSS,  performance  regression  with  Rose,  and  spatial  regions  of  interest  with  ATLAS.  All  of  our  algorithms  are  supported  with  extensive  experiments  on  established  benchmarks  within  the  field  of  active  learning  and  uncertainty  estimation.
■590    ▼aSchool  code:  0078.
■650  4▼aToads
■650  4▼aDeep  learning
■650  4▼aEntropy
■650  4▼aNeural  networks
■650  4▼aBenchmarks
■690    ▼a0800
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360648▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서