Semi-supervised Learning from Unfavorably Distributed Data

• Název práce v češtině: Semi-supervised učení z nepříznivě distribuovaných dat
• Název v anglickém jazyce: Semi-supervised Learning from Unfavorably Distributed Data
• Klíčová slova: Semi-supervised učení, Hluboké učení, Nevyvážená distribuce
• Klíčová slova anglicky: Semi-supervised Learning, Deep Learning, Unbalanced distribution
• Akademický rok vypsání: 2019/2020
• Typ práce: diplomová práce
• Jazyk práce: angličtina
• Ústav: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Vedoucí / školitel: Mgr. Martin Pilát, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 10.02.2020
• Datum zadání: 24.02.2020
• Datum potvrzení stud. oddělením: 12.03.2020
• Datum a čas obhajoby: 08.07.2020 09:00
• Datum odevzdání elektronické podoby: 28.05.2020
• Datum odevzdání tištěné podoby: 28.05.2020
• Datum proběhlé obhajoby: 08.07.2020
• Oponenti: doc. RNDr. Iveta Mrázová, CSc.

Zásady pro vypracování

Semi-supervised učení je technika strojového učení kombinující učení s učitelem a učení bez učitele. Jeho cílem je během učení modelu využít vyjma označkovaných dat, pro která známe požadované výstupy, i mnohdy snadněji dostupná neoznačkovaná data, pro která požadované výstupy neznáme. Tím se snaží řešit častý problém s nedostatkem trénovacích dat, případně zlepšit robustnost naučeného modelu i když máme trénovacích dat dostatek. I přes poměrně rozsáhlý výzkum v této oblasti trpí známé metody semi-supervised učení mnoha problémy, které dosud výrazně omezovaly jejich využitelnost v praxi. Jedna ze situací kdy tyto problémy nastávají je, když mají označkovaná trénovací data a neoznačkovaná trénovací data rozdílné charakteristiky. Cílem diplomové práce je navrhnout metodu zmírňující tyto problémy.

Student si prostuduje dostupnou literaturu o semi-supervised učení a na jejím základě navrhne nové metody nebo vylepšení stávajících metod semi-supervised učení tak, aby byly robustnější vzhledem k rozdílným distribucím označkovaných a neoznačkovaných dat. Navržené metody nebo vylepšení následně student porovná s existujícími metodami semi-supervised učení.

Seznam odborné literatury

[1] Avital Oliver, Augustus Odena, Colin Raffel, Ekin D. Cubuk, Ian J. Goodfellow. "Realistic Evaluation of Deep Semi-Supervised Learning Algorithms". arXiv:1804.09170. 2018.
[2] Olivier Chapelle, Bernhard Scholkopf,and Alexander Zien. "Semi-Supervised Learning". MIT Press, 2006. ISBN: 978-0262033589
[3] Andreas Look, Stefan Riedelbauch: "Dealing with Limited Access to Data: Comparison of Deep Learning Approaches". In: 2019 International Joint Conference on Neural Networks (IJCNN 2019). IEEE 2019. DOI: 10.1109/IJCNN.2019.8852064