Temat: generative model - Prolib Integro

Skocz do pozycji: 1.

Tytuł:: Sliced generative models
Autorzy:: Mazur, Marcin
Tabor, Jacek
Spurek, Przemysław
Knop, Szymon
Podolak, Igor
Opis:: In this paper we discuss a class of AutoEncoder based generative models based on one dimensional sliced approach. The idea is based on the reduction of the discrimination between samples to one-dimensional case. Our experiments show that methods can be divided into two groups. First consists of methods which are a modification of standard normality tests, while the second is based on classical distances between samples. It turns out that both groups are correct generative models, but the second one gives a slightly faster decrease rate of Frechet Inception Distance (FID).
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Artykuł

na półce

Skocz do pozycji: 2.

Tytuł:: Adaptive and precise peak detection algorithm for fibre Bragg grating using generative adversarial network
Autorzy:: Kumar, Sunil
Sengupta, Somnath
Tematy:: Fibre Bragg grating
generative model
discriminative model
loss function; Pokaż więcej
Wydawca:: Polska Akademia Nauk. Stowarzyszenie Elektryków Polskich
Powiązania:: https://bibliotekanauki.pl/articles/2174853.pdf Link otwiera się w nowym oknie
Opis:: An adaptive and precise peak wavelength detection algorithm for fibre Bragg grating using generative adversarial network is proposed. The algorithm consists of generative model and discriminative model. The generative model generates a synthetic signal and is sampled for training using a deep neural network. The discriminative model predicts the real fibre Bragg grating signal by the calculation of the loss functions. The maxima of loss function of the discriminative signal and the minima of loss function of the generative signal are matched and the desired peak wavelength of fibre Bragg grating is determined. The proposed algorithm is verified theoretically and experimentally for a single fibre Bragg grating peak. The accuracy has been obtained as ±0.2 pm. The proposed algorithm is adaptive in the sense that any random fibre Bragg grating peak can be identified within a short wavelength range.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 3.

Tytuł:: Tight bounds for Jensens gap with applications to variational inference
Autorzy:: Mazur, Marcin
Kościelniak, Piotr
Struski, Łukasz
Dziarmaga, Tadeusz
Opis:: Since its original formulation, Jensen's inequality has played a fundamental role across mathematics, statistics, and machine learning, with its probabilistic version highlighting the nonnegativity of the so-called Jensen's gap, i.e., the difference between the expectation of a convex function and the function at the expectation. Of particular importance is the case when the function is logarithmic, as this setting underpins many applications in variational inference, where the term variational gap is often used interchangeably. Recent research has focused on estimating the size of Jensen's gap and establishing tight lower and upper bounds under various assumptions on the underlying function and distribution, driven by practical challenges such as the intractability of log-likelihood in graphical models like variational autoencoders (VAEs). In this paper, we propose new, general bounds for Jensen's gap that accommodate a broad range of assumptions on both the function and the random variable, with special attention to exponential and logarithmic cases. We provide both analytical and empirical evidence for the performance of our method. Furthermore, we relate our bounds to the PAC-Bayes framework, providing new insights into generalization performance in probabilistic models.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 4.

Tytuł:: The use of generative models to speed up the discovery of materials
Autorzy:: Coto, Andrea Gregores
Precker, Christian Eike
Andersson, Tom
Laukkanen, Anssi
Suhonen, Tomi
Rodriguez, Pilar Rey
Muíños-Landín, Santiago
Tematy:: artificial intelligence
materials science
high-performance material
generative model; Pokaż więcej
Wydawca:: Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Powiązania:: https://bibliotekanauki.pl/articles/29520053.pdf Link otwiera się w nowym oknie
Opis:: Material Science is a key factor in the evolution of many industrial sectors. Fields such as the aeronautics, automotive, construction, and biotechnology industries have experienced tremendous development with the introduction of advanced, high-performance materials. Such materials not only provide new functionalities to products, but also significant consequences in terms of economic and environmental sustainability of the products and processes triggered by the more efficient use of energy that they provide. Under this scenario, materials that provide such high performance, such as high entropy alloys (HEAs) or polymer derived ceramics (PDCs), have captured the attention of both industry and researchers in recent years. However, the remarkable number of resources required to develop such materials, from its design phase to its synthesis and characterization, means that the discovery of new high-performance materials is moving at a relatively low pace. This fact places emergent strategies based on artificial intelligence (AI) for the design of materials in a good position to be used to accelerate the whole process, providing an impulse in the initial phases of materials design. The enormous number of combinations of elements and the complexity of synthesizability conditions of HEAs and PDCs respectively, paves the way to the deployment of AI techniques such as Generative Models addressed in this work to create synthetic HEAs and PDCs for highly intensive industrial processes. A specific conditional tabular generative adversarial network (CTGAN) was developed to be used on tabular data to generate novel synthetic compounds for each kind of material. The generated synthetic data was based on the conventional parametric design parameters used for HEAs and PDCs, with specific datasets created for them. The real and generated data are compared, calculation of phase diagrams (CALPHAD) simulations are provided to evaluate the performance of the generated samples and a verification of the novel generated compositions is done in open materials databases available in the literature.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 5.

Tytuł:: Comparing methods for implementing VBA in CATIA for elaborating KBE package
Porównanie metod programowych z zastosowaniem Vba w systemie CATIA na etapie tworzenie pakietu systemu KBE
Autorzy:: Skarka, W.
Zając, Ł.
Tematy:: projektowanie oparte na wiedzy
model autogenerujący
CATIA
knowledge based engineering
generative model; Pokaż więcej
Wydawca:: Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Powiązania:: https://bibliotekanauki.pl/articles/327812.pdf Link otwiera się w nowym oknie
Opis:: The paper present comparison of methods for implementing VBA for creation of KBE application in CATIA system. The usage of VBA is one of the methods of automation of Generative Model creation in CATIA system. Creation of KBE Package forms one of the last phases of the whole process of KBE creation which consists of capturing knowledge necessary for KBE system, formal representation of knowledge, and transferring and implementing knowledge in KBE package. While creating KBE application, Generative Model is being formed and for the purpose of formalization of creation process of that model CATIA Knowledgeware tools are used. In order to have automation of that process it is necessary to ensure programming techniques, including VBA. The suggested 4 methods of implementing VBA for automation of Generative Model creation guarantee greater stability and repeatability of the model.
W artykule przedstawiono porównanie metod zastosowania VBA w końcowym etapie tworzenia aplikacji projektowej opartej na wiedzy (Knowledge Based Engineering - KBE) w systemie CATIA. Zastosowanie VBA jest jedną z metod automatyzacji tworzenia modelu autogenerującego w systemie CATIA, który jest głównym elementem aplikacji KBE. Tworzenie pakietu aplikacji KBE jest jednym z ostatnich etapów całego procesu tworzenia systemu KBE, na który składają się akwizycja wiedzy koniecznej dla systemu KBE, formalna reprezentacja wiedzy i transfer i integracja wiedzy w aplikacji KBE. W fazie tworzenia aplikacji KBE tworzony jest model autogenerujący i dla formalizacji procesu tworzenia tego modelu wykorzystywane są narzędzia Knowledgeware systemu CATIA. Automatyzacja tego procesu wymaga zapewnienia technik programowych w tym zastosowania VBA. Zaproponowane 4 metody implementacji VBA do automatyzacji procesu tworzenia modelu autogenerującego pozwalają na zwiększenie stabilności i powtarzalności tego modelu.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 6.

Tytuł:: Model autogenerujący CAD zazębienia przekładni ślimakowej
A generative cad model of a worm gear meshing
Autorzy:: Wronkowicz, A.
Wachla, D.
Tematy:: model autogenerujący
przekładnia ślimakowa
projektowanie bazujące na wiedzy
CATIA
generative model
worm gear
knowledge based designing; Pokaż więcej
Wydawca:: Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
Powiązania:: https://bibliotekanauki.pl/articles/197942.pdf Link otwiera się w nowym oknie
Opis:: W artykule objaśniono pojęcie modelu autogenerującego CAD, jego genezę oraz wynikającą stąd potrzebę budowy tego typu modeli. Krótko omówiono proces tworzenia modelu autogenerującego oraz specyficzne formy zapisu wiedzy stosowane w fazie jego implementacji w różnych systemach CAD. Metodykę budowy modelu autogenerującego przedstawiono na przykładzie zazębienia przekładni ślimakowej, który zrealizowano w oprogramowaniu CATIA. Wskazano źródła i rodzaje wiedzy projektowo-konstrukcyjnej potrzebne do zbudowania ww. modelu oraz język UML, jako metodę formalnego zapisu tej wiedzy. Opisano koncepcję budowy modelu, tj. przyjęte założenia oraz strukturę i logikę jego działania. Przedstawiono również wybrane fragmenty projektu, pokazujące, w jaki sposób model został wykonany.
This article introduces the term of a generative CAD model, its origins and, thus, a need of creating such a type of models. A process of generative model creation as well as specific forms of knowledge recording applied in the implementation phase in various CAD systems are briefly discussed. The example of a worm gear meshing realized by the CATIA software encapsulates the methodology of generative model construction. Sources and types of knowledge for design and construction required for development of the aforementioned model as well as the UML language as a method of formal knowledge recording are presented. The concept of model creation, i.e. assumptions and the structure as well as logic of the model operation are described. Also, the paper addresses selected elements of the project that present the manner in which the model was constructed.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 7.

Tytuł:: The recognition of partially occluded objects with support vector machines, convolutional neural networks and deep belief networks
Autorzy:: Chu, J. L.
Krzyżak, A.
Tematy:: neural networks
belief networks
convolutional neural networks
artificial neural networks
Deep Belief Network
generative model; Pokaż więcej
Wydawca:: Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Powiązania:: https://bibliotekanauki.pl/articles/91650.pdf Link otwiera się w nowym oknie
Opis:: Biologically inspired artificial neural networks have been widely used for machine learning tasks such as object recognition. Deep architectures, such as the Convolutional Neural Network, and the Deep Belief Network have recently been implemented successfully for object recognition tasks. We conduct experiments to test the hypothesis that certain primarily generative models such as the Deep Belief Network should perform better on the occluded object recognition task than purely discriminative models such as Convolutional Neural Networks and Support Vector Machines. When the generative models are run in a partially discriminative manner, the data does not support the hypothesis. It is also found that the implementation of Gaussian visible units in a Deep Belief Network trained on occluded image data allows it to also learn to effectively classify non-occluded images.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 8.

Tytuł:: On some goodness of fit tests fornormality based on the optimal transport distance
Autorzy:: Mazur, Marcin
Kościelniak, Piotr
Opis:: We apply the optimal transport distance to construct two goodness of fit tests for (univariate) normality. The derived statistics are then compared with those used by the Shapiro-Wilk, the Anderson-Darling and the Cramer-von Mises tests. In particular, we preform Monte Carlo experiments, involving computations of the test power against some selected alternatives and wide range of sample sizes, which show efficiency of the obtained test procedures.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Artykuł

na półce

Skocz do pozycji: 9.

Tytuł:: A review of generative adversarial networksfor security applications
Przegląd generatywnych sieci przeciwstawnych dla zastosowań bezpieczeństwa
Autorzy:: Rayavarapu, Swarajya Madhuri
Tammineni, Shanmukha Prasanthi
Gottapu, Sasibhushana Rao
Singam, Aruna
Tematy:: generative model
cyber security
machine learning
neural networks
unsupervised learning
model generatywny
cyberbezpieczeństwo
uczenie maszynowe
sieci neuronowe
uczenie się bez nadzoru; Pokaż więcej
Wydawca:: Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Powiązania:: https://bibliotekanauki.pl/articles/58907936.pdf Link otwiera się w nowym oknie
Opis:: Advances in cybersecurity are crucial for a country's economic and national security. As data transmission and storage exponentially increase, new threat detection and mitigation techniques are urgently needed. Cybersecurity has become an absolute necessity, with the ever-increasing transmitted networks from day to day causing exponential growth of data that is being stored on servers. In order to thwart sophisticatedattacks in the future, it willbe necessary to regularly update threat detection and data preservation techniques. Generative adversarial networks (GANs) are a class of unsupervised machine learning models that can generate synthetic data. GANs are gaining importance in AI-based cybersecurity systems for applications suchas intrusion detection, steganography, cryptography, and anomaly detection. This paper provides a comprehensive review of research on applying GANs for cybersecurity, including an analysis of popular cybersecurity datasets and GAN model architectures used in these studies.
Postępy w cyberbezpieczeństwie mają kluczowe znaczenie dla bezpieczeństwa gospodarczego i narodowego kraju. Ponieważ transmisja i przechowywanie danych gwałtownie rośnie, pilnie potrzebne są nowe techniki wykrywania i łagodzenia zagrożeń. Cyberbezpieczeństwo stało się absolutną koniecznością, ponieważ stale rosnąca liczba przesyłanych sieci z dnia na dzień powoduje wykładniczy wzrost danych przechowywanych na serwerach. Aby w przyszłości udaremnić wyrafinowane ataki, konieczna będzie regularna aktualizacja technik wykrywania zagrożeń i zabezpieczania danych. Generatywne sieci przeciwstawne (GAN) to klasa modeli uczenia maszynowego bez nadzoru, które mogą generować dane syntetyczne. Sieci GAN zyskują na znaczeniu w systemach cyberbezpieczeństwa opartych na sztucznej inteligencji do zastosowań takich jak wykrywanie włamań, steganografia, kryptografia i wykrywanie anomalii. W artykule dokonano kompleksowego przeglądu badań nad zastosowaniem sieci GAN do celów cyberbezpieczeństwa, w tym analizę popularnych zbiorów danych dotyczących cyberbezpieczeństwa oraz architektur modeli GAN wykorzystanych w tych badaniach.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 10.

Tytuł:: Deep, generative autoencoders for semi-supervised learning
Głębokie, generatywne autoenkodery do uczenia częściowo nadzorowanego
Autorzy:: Wołczyk, Maciej
Opis:: In this work, we introduce the Gaussian Mixture Cramer-Wold Autoencoder (GMCWAE), which is a generative model used for semi-supervised learning. The model is an extension of Cramer-Wold autoencoder, but instead of a single Gaussian, we model a mixture of Gaussians in the latent space of the autoencoder. Since the classical Gaussian mixture model (GMM) is a well-known tool for semi-supervised learning, we are able to use our model for this task as well. Additionally, thanks to the depth of the neural network-based autoencoder, GMCWAE is much more expressive than the classical Gaussian mixture model, and as such can be used for more complex sets of data. We also present the generative abilities of our model, such as generating samples from the chosen class and generating different samples of the same style varying only in the class variable. Our model is also able to smoothly interpolate the class variable, while other semi-supervised generative models (such as M1+M2 or ADGM) can only treat the class variable as a discrete value.
W tej pracy przedstawiamy autoenkoder Cramera-Wolda oparty o mikstury gaussowskie (GMCWAE), który jest modelem generatywnym wykorzystywanym do uczenia częściowo nadzorowanego. Model jest rozwinięciem autoenkodera Cramera-Wolda, ale zamiast pojedynczego rozkładu gaussowskiego, modelujemy całą miksturę gaussowską w przestrzeni ukrytej autoenkodera. Jako że klasyczne modele mikstur gaussowskich (GMM) są dobrze znanym narzędziem do uczenia częściowo nadzorowanego, jesteśmy w stanie wykorzystać nasz model w tym samym celu. Dodatkowo, dzięki głębokości autoenkodera opartego o sieci neuronowe, GMCWAE jest znacznie bardziej ekspresywne niż klasyczny model mikstur gaussowskich i przez to może być wykorzystywane do bardziej skomplikowanych zestawów danych. Pokazujemy także generatywne cechy naszego modelu, takie jak generowanie nowych przykładów z wybranej klasy oraz generowanie różnych przykładów o tym samym stylu, różniących się jedynie zmienną reprezentującą klasę. Nasz model potrafi również gładko interpolować zmienną reprezentującą klasę, podczas gdy inne generatywne modele do uczenia częściowo nadzorowanego (takie jak M1+M2 oraz ADGM) traktują tę zmienną jako wartość dyskretną.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Informacja

Wyszukujesz frazę "generative model" wg kryterium: Temat