MARC

 008260311s2025        us                                    eng  d
■001000017361182
■00520260311091529.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798270231293
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a000
■1001  ▼aLi,  Zhangheng▼eauthor.
■24510▼aAdvancing  Efficiency  and  Trustworthiness:  From  Computer  Vision  to  Multimodal  Large  Language  Models  ▼cZhangheng  Li
■260    ▼a[Sl]▼bThe  University  of  Texas  at  Austin▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (191  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisors:  Wang,  Zhangyang    Committee  members:  Chen,  Tianlong;  Ding,  Ying;  de  Veciana,  Gustavo;  Ghosh,  Joydeep.
■5021  ▼bPh.D.▼cThe  University  of  Texas  at  Austin▼d2025.
■520    ▼aDeep  learning  has  revolutionized  artificial  intelligence,  but  its  growing  computational  demands  and  trustworthiness  concerns  present  significant  challenges.  This  thesis  investigates  the  intersection  of  efficiency  and  trustworthiness  in  deep  neural  networks,  proposing  novel  approaches  that  advance  both  dimensions  simultaneously.                                                First,  we  explore  techniques  for  neural  network  efficiency  through  pruning  and  quantization.  We  introduce  mixed-precision  quantization  tickets  that  unify  pruning  and  quantization  paradigms,  and  develop  sparse  cocktail  training  to  produce  multiple  sparse  subnetworks  with  diverse  sparsity  characteristics  from  a  single  training  process.  These  methods  achieve  substantial  computational  savings  while  maintaining  competitive  performance.                                                Second,  we  examine  trustworthiness  across  multiple  dimensions  including  robustness,  privacy,  fairness,  and  ethics.  We  present  a  comprehensive  framework  for  evaluating  compressed  models'  trustworthiness,  revealing  that  quantization  generally  preserves  trustworthiness  better  than  pruning  at  similar  compression  rates.  Additionally,  we  demonstrate  how  pruning  can  enhance  certified  robustness  verification  through  stability-based  pruning  techniques.                                                Third,  we  investigate  the  synergies  between  efficiency  and  trustworthiness,  showing  how  these  properties  can  mutually  reinforce  each  other  when  properly  designed.  We  leverage  sparse  transfer  learning  to  accelerate  certified  robustness  verification  while  maintaining  robustness  guarantees.                                                Finally,  we  extend  our  research  to  multimodal  learning,  developing  efficient  and  trustworthy  multimodal  agents.  We  introduce  a  universal  UI  understanding  model  supporting  multiple  platforms  with  adaptive  high-resolution  processing,  and  address  privacy  risks  in  diffusion  models  and  multimodal  large  language  models  through  novel  unlearning  methods  and  vulnerability  assessments.                                                Collectively,  this  research  advances  the  state-of-the-art  in  both  efficient  and  trustworthy  deep  learning,  providing  practical  approaches  for  developing  models  that  are  simultaneously  resource-efficient  and  reliable  across  multiple  dimensions  of  trustworthiness.
■546    ▼aEnglish
■590    ▼aSchool  code:  0227
■650  4▼aComputer  engineering
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aTrustworthiness
■653    ▼aComputer  vision
■653    ▼aLarge  language  models
■653    ▼aDeep  learning
■653    ▼aRobustness
■7102  ▼aThe  University  of  Texas  at  Austin▼bElectrical  and  Computer  Engineering.▼edegree  granting  institution.
■7201  ▼aWang,  Zhangyang▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361182▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books