prikaz prve stranice dokumenta Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima
Rad nije dostupan
diplomski rad
Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2020. urn:nbn:hr:168:547017
Kukurin, Toni
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Kukurin, T. (2020). Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:547017

Kukurin, Toni. "Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2020. https://urn.nsk.hr/urn:nbn:hr:168:547017

Kukurin, Toni. "Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2020. https://urn.nsk.hr/urn:nbn:hr:168:547017

Kukurin, T. (2020). 'Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 22.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:547017

Kukurin T. Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2020 [pristupljeno 22.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:547017

T. Kukurin, "Strukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:547017

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:547017
Podaci o radu
NaslovStrukturirano duboko učenje pomoću neuronskih mreža temeljenih na grafovima
Naslov (engleski)Structured Deep Learning with Graph Neural Networks
AutorToni Kukurin
MentorJan Šnajder (mentor)
Član povjerenstvaJan Šnajder (predsjednik povjerenstva)
Član povjerenstvaAlan Jović (član povjerenstva)
Član povjerenstvaDomagoj Jakobović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2020-07-10, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:547017
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-13 10:15:16