prikaz prve stranice dokumenta Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima
No public access
master's thesis
Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. urn:nbn:hr:168:547017
Kukurin, Toni
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Kukurin, T. (2020). Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:547017

Kukurin, Toni. "Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:547017

Kukurin, Toni. "Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:547017

Kukurin, T. (2020). 'Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 23 July 2024, https://urn.nsk.hr/urn:nbn:hr:168:547017

Kukurin T. Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2020 [cited 2024 July 23] Available at: https://urn.nsk.hr/urn:nbn:hr:168:547017

T. Kukurin, "Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:168:547017

Metadata
TitleStrukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima
Title (english)Structured Deep Learning with Graph Neural Networks
AuthorToni Kukurin
MentorJan Šnajder (mentor)
Committee memberJan Šnajder (predsjednik povjerenstva)
Committee memberAlan Jović (član povjerenstva)
Committee memberDomagoj Jakobović (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2020-07-10, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Strukturirano razumijevanje svijeta jedna je od preostalih ljudskih prednosti nad današnjim algoritmima strojnog učenja. Percepcija svijeta u obliku povezanih dijelova do neke je mjere prirođena ljudskoj vrsti. Brojni zadaci računalnog vida i obrade prirodnog jezika trude se doseći takvo razumijevanje svijeta na temelju sirovih i minimalno označenih podataka. Ovaj se rad fokusira na strukturirano duboko učenje temeljeno na graf neuronskim mrežama. Rad opisuje postojeće pristupe učenju strukture sirovih podataka iz različitih modaliteta (slike i tekst) uz primjenu na zadatak pojačanog učenja uzemljenog u prirodnom jeziku. Kroz eksperimentalnu evaluaciju pokazujemo da graf neuronske mreže mogu biti koristan alat za učenje reprezentacija stanja u latentnom prostoru. Usprkos uspješnim rezultatima u domeni modeliranja svijeta, nalazimo da takve prikaze nije trivijalno prenijeti na zadatke učenja politike u pojačanom učenju bez modela.
Abstract (english)
Perceiving the world in a structured manner is one of the remaining advantages humans have over machine learning algorithms. Viewing the world as a sum of interconnected parts rather than an amorphous blob is something that comes naturally to us. A number of tasks in computer vision and natural language processing attempt to recover this structure based on raw data and minimally annotated structure. This thesis focuses on graph neural network based structured deep learning for natural language processing. We have studied the existing approaches to learning structure from raw data in different modalities (images and text) and applied some of the insights to a language-grounded policy learning task. Our experiments indicate graph neural networks can be a useful tool in learning object-segmented latent space transitions. Despite successes on the world modeling task, such pre-trained representations do not seem to trivially transfer to improved performance in downstream model-free policy learning algorithms.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:547017
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-13 10:15:16