| Campo DC | Valor | Idioma |
|---|
| dc.contributor.advisor | Silva, Daniel Guerreiro e | - |
| dc.contributor.author | Amaral, Frederico Carvalho Fontes do | - |
| dc.date.accessioned | 2022-12-15T23:19:33Z | - |
| dc.date.available | 2022-12-15T23:19:33Z | - |
| dc.date.issued | 2022-12-15 | - |
| dc.date.submitted | 2022-08-31 | - |
| dc.identifier.citation | AMARAL, Frederico Carvalho Fontes do. Information-theoretic analysis of convolutional autoencoders. 2022. v, 65 f., il. Dissertação (Mestrado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2022. | pt_BR |
| dc.identifier.uri | https://repositorio.unb.br/handle/10482/45303 | - |
| dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022. | pt_BR |
| dc.description.abstract | O uso de conceitos da Teoria da Informação para entender redes neurais profundas tem sido extensivamente explorado nos últimos anos. O framework do Aprendizado Teórico da Informação
que resultou desse uso foi reconhecido como uma ferramenta potencialmente importante para
compreender os mecanismos de aprendizado empregados durante o processo de treinamento das
redes neurais profundas, para o estudo do qual ainda faltam métodos teóricos e sistemáticos de
análise. O uso de medidas estatísticas derivadas da Teoria da Informação, tais como entropia e
informação mútua, tem permitido um melhor entendimento de como a informação flui através
das redes supracitadas durante seu treinamento. Ele também possibilitou a criação de métodos
sistemáticos para projetar e analizar essas redes de uma maneira mais rigorosa, o que por sua
vez permite a criação de arquiteturas mais eficientes e robustas. Este trabalho visa investigar a
extensão de um método baseado no framework supracitado para a detecção automática da dimensão do gargalo de um autocodificador convolucional, cujo objetivo é encontrar a compressão
óptima para as imagens a ele apresentadas. | pt_BR |
| dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). | pt_BR |
| dc.language.iso | Inglês | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Information-theoretic analysis of convolutional autoencoders | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Aprendizado teórico | pt_BR |
| dc.subject.keyword | Teoria da informação | pt_BR |
| dc.subject.keyword | Mecanismos de aprendizagem | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
| dc.description.abstract1 | The use of Information Theory concepts to understand deep neural networks has been extensively explored in recent years. The Information Theoretic Learning framework that resulted
from such use has been acknowledged as a potentially important tool to comprehend the learning mechanisms employed during the deep neural networks’ training process, for the study of
which theoretical and systematic methods of analysis are still lacking. The use of statistical
measurements derived from Information Theory such as entropy and mutual information has
allowed for a better understanding of how the information flows through the aforementioned
networks during their training. It also enabled the creation of systematic methods to design
and analyze these networks in a more rigorous manner, which in turn allows the creation of
more efficient and robust architectures. This work aims to investigate the extension of a method
based on the aforementioned framework for the automatic detection of the bottleneck size of a
convolutional autoencoder, whose objective is to find the optimal compression for the images
presented to it. | pt_BR |
| dc.description.unidade | Faculdade de Tecnologia (FT) | pt_BR |
| dc.description.unidade | Departamento de Engenharia Elétrica (FT ENE) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Engenharia Elétrica | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|
