Métricas de Invarianza para Redes Neuronales

Mostrar todas las versiones(2)

Las Redes Neuronales son los modelos de aprendizaje automático con mejor desempeño en la actualidad en una gran variedad de problemas. En particular, las Redes Convolucionales, es decir, Redes Neuronales que utilizan capas convolucionales, son el estado del arte en la mayoría de los problemas de vis...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Quiroga, Facundo Manuel
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2022
Materias:
Cs de la Computación
Redes Neuronales
Neuronal Networks
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/145813
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-145813
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Cs de la Computación
Redes Neuronales
Neuronal Networks
spellingShingle Cs de la Computación
Redes Neuronales
Neuronal Networks
Quiroga, Facundo Manuel
Métricas de Invarianza para Redes Neuronales
topic_facet Cs de la Computación
Redes Neuronales
Neuronal Networks
description Las Redes Neuronales son los modelos de aprendizaje automático con mejor desempeño en la actualidad en una gran variedad de problemas. En particular, las Redes Convolucionales, es decir, Redes Neuronales que utilizan capas convolucionales, son el estado del arte en la mayoría de los problemas de visión por computadora.Muchos de los problemas para los cuales las Redes Convolucionales son el estado del arte requieren que los modelos se comporten de cierta manera ante transformaciones de su entrada. Existen dos propiedades fundamentales que capturan dicho requerimiento; la invarianza y la equivarianza. La invarianza nos dice que la salida del modelo no es afectado por las transformaciones. La equivarianza permite que la salida sea afectada, pero de una manera controlada y útil.Si bien los modelos tradicionales de Redes Convolucionales son equivariantes a la traslación por diseño, no son ni invariantes a dicha transformación ni equivariantes a otras en los escenarios usuales de entrenamiento y uso. Existen dos opciones principales para otorgar invarianza o equivarianza a un modelo de red neuronal. La tradicional ha sido modificar el modelo para dotarlo de esas propiedades. La otra opción es entrenarlo con aumentación de datos utilizando como transformaciones el mismo conjunto al que se desea la equivarianza.No obstante, no está claro cómo los modelos adquieren estas propiedades, tanto al usar aumentación de datos como al modificar el modelo. Tampoco está claro como las modificaciones de modelos afectan la eficiencia y el poder de representación de los mismos. Más aún, en los modelos tradicionales tampoco es conocido cómo se adquieren dichas propiedades con aumentación de datos, así como cuál es la mejor estrategia para aumentar los datos con este fin.Esta línea de investigación busca contribuir al entendimiento y mejora de la equivarianza de los modelos de redes neuronales, en particular aplicados a la clasificación de formas de mano para la lengua de seña y otros tipos de gestos mediante modelos de redes convolucionales.Realizamos las siguientes contribuciones:* Un análisis de estrategias para lograr equivarianza a las rotaciones en redes neuronales:* Un conjunto de métricas para analizar empíricamente la equivarianza de las redes neuronales, así como de cualquier otro modelo basado en representaciones latentes.* Análisis del cambio en la estructura de la equivarianza de distintos modelos ante cambios de los hiperparámetros, transformaciones y conjuntos de datos. Finalmente, creamos la libería de Métricas transformacionales, de código abierto, para computar métricas transformacionales como las definidas para modelos de redes neuronales, utilizando el framework PyTorch y Numpy (https://github.com/facundoq/transformational_measures). Creemos que es posible aprender más acerca de las Redes Neuronales y Convolucionales estudiando sus equivarianzas, y así mejorar los modelos existentes para hacer posible nuevas aplicaciones.
format Objeto de conferencia
Objeto de conferencia
author Quiroga, Facundo Manuel
author_facet Quiroga, Facundo Manuel
author_sort Quiroga, Facundo Manuel
title Métricas de Invarianza para Redes Neuronales
title_short Métricas de Invarianza para Redes Neuronales
title_full Métricas de Invarianza para Redes Neuronales
title_fullStr Métricas de Invarianza para Redes Neuronales
title_full_unstemmed Métricas de Invarianza para Redes Neuronales
title_sort métricas de invarianza para redes neuronales
publishDate 2022
url http://sedici.unlp.edu.ar/handle/10915/145813
work_keys_str_mv AT quirogafacundomanuel metricasdeinvarianzapararedesneuronales
AT quirogafacundomanuel invariancemeasuresforneuralnetworks
bdutipo_str Repositorios
_version_ 1764820461688979457

Ejemplares similares