BRUNO: Exchangeable Deep Learning Models of Predictive Distributions

Promovendus/a
Iryna Korshunova
Faculteit
Faculteit Ingenieurswetenschappen en Architectuur
Vakgroep
Vakgroep Elektronica en Informatiesystemen
Curriculum
Master in Applied Mathematics, National Technical University of Ukraine, Oekraïne, 2015
Academische graad
Doctor in de ingenieurswetenschappen: computerwetenschappen
Taal proefschrift
Engels
Vertaling titel
BRUNO: uitwisselbare diepe neurale modellen van voorspellende kansverdelingen
Promotor(en)
prof. Joni Dambre, vakgroep Elektronica en Informatiesystemen - prof. Arthur Gretton (University College London, Verenigd Koninkrijk)
Examencommissie
voorzitter em. prof. Daniël De Zutter (eredecaan) - prof. Gert De Cooman (Vakgroep Elektronica en Informatiesystemen) - prof. Joni Dambre (Vakgroep Elektronica en Informatiesystemen) - prof. Arthur Gretton (University College London, United Kingdom) - prof. Ferenc Huszár (University of Cambridge, United Kingdom) - dr. ir. Michiel Stock ( Vakgroep Data-analyse en wiskundige modellering) - prof. Dougal Sutherland (Toyota Technological Institute at Chicago, USA)

Korte beschrijving

Dit proefschrift presenteert een familie van nieuwe modelarchitecturen waarin we diepe neurale netwerken gebruiken om exacte Bayesiaanse voorspellingen te maken op basis van een verzameling van hoog-dimensionale, complexe waarnemingen. Onze modellen zijn aantoonbaar uitwisselbaar, wat betekent dat het model niet verandert als de waarnemingen in een andere volgorde zouden gebeuren. Deze eigenschap ligt aan de basis van Bayesiaanse statistiek. De modellen hebben geen onzekerheidsbenaderingen nodig om te trainen, en ze hebben ook een aantal aantrekkelijke computationele eigenschappen. Zo kan de kansverdeling van de voorspelling worden bemonsterd op basis van eerdere data, waarbij de geheugencomplexiteit constant is, en de tijdscomplexiteit lineair is in functie van het aantal datapunten. De voordelen van onze architecturen worden aangetoond op meta-taken. Die bestaan uit taken die een veralgemening vereisen op basis van verscheidene korte reeksen waarnemingen, terwijl ook de wijzigingen tussen die taken moet worden gemodelleerd in de meta-taak. Voorbeelden van dergelijke taken zijn onder meer het genereren of classificeren van afbeeldingen van nieuwe, ongeziene data, of het snel aanpassen van het gedrag van actoren die interageren met een veranderende omgeving.

Praktisch

Datum
Maandag 30 november 2020, 16:00
Livestream
Volg online

Join the meeting by entering the passcode: 42

Meer info

Contact
doctoraat.ea@UGent.be