Тензорные методы в генеративных моделях с дискретными стохастическими элементами

ФИО студента: Кузнецов Максим Дмитриевич

Кампус/факультет: Факультет компьютерных наук

Программа: Статистическая теория обучения (Магистратура)

Год защиты: 2019

Некоторые данные из реальных задач, такие как набор изображений нескольких классов, могут быть хорошо промоделированы набором дискретных латентных переменных. В то же время, обучение генеративных моделей с дискретными латентными переменными остается крайне сложной задачей т.к. все методы обучения дают смещенный градиент, либо градиент имеет большой разброс. В этом магистерском дипломе вводится новое семейство методов, дающих несмещенный градиент для обучения вариационных автокодировщиков с дискретными латентными переменными, которое основано на разложениях тензора правдоподобия объектов. Семейство обобщает уже известный метод MuProp на случай более выразительных тензорных разложений и превосходит другие методы в задачах компьютерного зрения.

Выпускные квалификационные работы (ВКР) в НИУ ВШЭ выполняют все студенты в соответствии с университетским Положением и Правилами, определенными каждой образовательной программой.

Аннотации всех ВКР в обязательном порядке публикуются в свободном доступе на корпоративном портале НИУ ВШЭ.

Полный текст ВКР размещается в свободном доступе на портале НИУ ВШЭ только при наличии согласия студента – автора (правообладателя) работы либо, в случае выполнения работы коллективом студентов, при наличии согласия всех соавторов (правообладателей) работы. ВКР после размещения на портале НИУ ВШЭ приобретает статус электронной публикации.

ВКР являются объектами авторских прав, на их использование распространяются ограничения, предусмотренные законодательством Российской Федерации об интеллектуальной собственности.

В случае использования ВКР, в том числе путем цитирования, указание имени автора и источника заимствования обязательно.

Реестр дипломов НИУ ВШЭ