|
|
|
|
| LEADER |
02969na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2018 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid6134
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Kovač, Bruno
|
| 245 |
1 |
0 |
|a Otkrivanje izvandistribucijskih podataka analizom izlaza dubokog modela :
|b završni rad /
|c Bruno Kovač ; [mentor Siniša Šegvić].
|
| 246 |
1 |
|
|a Discovery of Out-of-Distribution Data by Analyzing Predictions of a Deep Model
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b B. Kovač,
|c 2018.
|
| 300 |
|
|
|a 23 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b preddiplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 41, datum predaje: 2018-06-15, datum završetka: 2018-07-13
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Konvolucijske neuronske mreže danas su često korištene za klasifikacijsku ulaznih podataka u pojedine moguće razrede za koje je model prethodno istreniran. Neovisno o testnom podatku, model će uvijek s određenom sigurnošću predvidjeti pripradnost ulaza u jedan od klasifikacijskih razreda. Ključna problematika ovog pristupa je nemogućnost otkrivanja ulaznih podataka za koje će model najvjerojatnije pogriješiti. Upravo zbog toga potrebno je otkriti izvandistribucijske podatke dovedene na ulaz modela, a to činimo analizom njegovog izlaza. Kod takvih podataka nikad ne možemo sigurno tvrditi jesu li dijelom distribucije na kojoj je model treniran ili su vandistribucijski, no vjerojatnost detekcije izvandistribucijskih podataka moguće je odrediti na više načina, npr. korištenjem AUROC i AUPR površina.
|
| 520 |
3 |
|
|a Sažetak na engleskom: Convolutional neural networks are nowadays often used for classifying input data into specific possible classes for which the model was previously trained. Whatever test data we provide to the model, it will always predict the result corresponding class with specific certainty. The key problem with this approach is an inability of determining the data for which the model will most likely make a wrong prediction. Specifically because of that, it is a necessity to determine out-of-distribution data provided as input to the model, and the way to do that is by analyzing its output. Despite the fact that we cannot claim if the test data belongs to the distribution on which the model was trained or it is out-of-distribution, the possibility of detecting out-of-distribution data can be determined with various methods, including using AUROC and AUPR areas.
|
| 653 |
|
1 |
|a duboki model
|a konvolucijske neuronske mreže
|a otkrivanje izvandistribucijskih podataka
|a AUROC
|a AUPR
|a skup podataka
|a treniranje
|a testiranje
|a validacija
|a CIFAR-10
|a TensorFlow
|
| 653 |
|
1 |
|a deep model
|a convolutional neural networks
|a discovery of out-of-distribution data
|a AUROC
|a AUPR
|a dataset
|a training
|a testing
|a validation
|a CIFAR-10
|a TensorFlow
|
| 700 |
1 |
|
|a Šegvić, Siniša
|4 ths
|
| 942 |
|
|
|c Z
|
| 999 |
|
|
|c 48967
|d 48967
|