Dissertação

On the Performance of GANs for Estimating Univariate Distributions EVALUATED

As redes neurais artificiais têm sido uma área de investigação muito popular ultimamente, não só na comunidade de ciência da computação, mas também para matemáticos. Em particular, as redes adversárias generativas (RAGs) são um modelo bem conhecido que permite a geração, de forma eficiente, de dados completamente novos. Estas redes são também muito interessantes de um ponto de vista matemático, porque o seu objectivo é minimizar a divergência entre duas distribuições de probabilidade. Embora as RAGs sejam muito exploradas hoje em dia na academia, ainda existem muitas questões em aberto e espaço para novas investigações, principalmente do ponto de vista teórico. Além da RAG, será também abordada uma sua versão ligeiramente diferente chamada WRAG que usa a distância de Wasserstein para medir a divergência entre as distribuições de probabilidade. Nesta tese, é proposto um trabalho de pesquisa sobre essas estruturas dividido em 3 tarefas principais: um estudo sobre a distância de Wasserstein; o desenvolvimento de algumas experiências usando RAGs e um WRAGs para estimar uma distribuição univariada; e o desenvolvimento de algumas experiências utilizando uma única rede treinada para minimizar a distância de Wasserstein de modo a estimar também uma distribuição univariada. Embora os resultados alcançados nesta tese sejam baseados em exemplos muito simples, eles permitem uma visualização de como esses modelos funcionam e levantam algumas questões que merecem uma investigação mais aprofundada para um melhor entendimento e melhor desempenho das RAGs.
Aprendizagem automática, Redes Neuronais, Redes adversárias generativas, Distância de Wasserstein, Problema do desvanecimento dos gradientes

Janeiro 19, 2021, 18:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

João Dias

Universidade do Algarve

ORIENTADOR

Pedro Alexandre Simões dos Santos

Departamento de Matemática (DM)

Professor Auxiliar