Topological Expressiveness of Neural Networks: Topology of Learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10362/129615 |
Resumo: | Dissertation presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced Analytics |
id |
RCAP_6cef83166368be67d43d5ba2ad5b4f0f |
---|---|
oai_identifier_str |
oai:run.unl.pt:10362/129615 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Topological Expressiveness of Neural Networks: Topology of LearningTopological Data AnalysisNeural NetworksMachine LearningDecision BoundaryPersistent HomologyVoronoi DiagramAnálise Topológica de DadosRedes NeuronaisAprendizagem AutónomaDissertation presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced AnalyticsGiven a neural network, how many di erent problems can it solve? This important and open question in deep learning is usually referred to as the problem of the expressive power of a neural network. Previous research has tackled this issue through statistical and geometrical methods. This work proposes a new method based on a topological perspective. Topology is the eld of mathematics aimed at describing spaces and functions through robust characterizing features. Topological Data Analysis is the young eld developed to extract topological insight from data. We rst show that topological features of the decision boundary describe the closest notion of the intrinsic complexity of a classi cation problem. These topological features divide classi cation problems into several equivalence classes. Linear-separability is an example of such a class. We establish the topological expressive power of a network architecture as the number of di erent topological classes it is able to express. Being a novel work in a young research eld, most of the thesis is devoted to developing this perspective and creating the tools required. The main objective of this thesis is to tackle neural network’s understanding in general and architecture selection in particular, through a novel approach. Our results show that topological expressiveness has a complex correlation with many features in a neural network’s architecture depending weakly on the total number of parameters. Some of our results recapitulate previous research on geometrical properties, while others are unique to this novel topological point of view, sometimes challenging previous research.Quantos problemas di erentes consegue uma dada rede neuronal resolver? Esta pergunta aberta é central no ramo de aprendizagem profunda e conhecida como o poder expressivo de uma rede neuronal. Tentativas anteriores em resolver este problema zeram-no usando métodos estatísticos ou geométricos. Este trabalho apresenta um novo método baseado numa prespectiva topologica. Topologia é o ramo de matemática responsável por descrever espaços e transformações com base em caracteristicas fundamentais. Topological Data Analysis (Análise Topológica de Dados) é o recente ramo de investigação desenvolvido para extrair conhecimento Topológico de dados. Começamos por mostrar que uma caraterização topológica da barreira de decisão é a noção mais próxima da complexidade de um problema de classi cação. Estas caracteristicas topoólicas dividas os problemas de classi cação em diversas classes de equivalência. O conjunto de problemas separaveis por uma reta são um exemplo de uma destas classes. Establecemos que a expressividade topológica de uma architectura neuronal é equivalente a quantas destas classes consegue resolver. Dado que é um método novo num ramo de investigação recente, grande parte desta tese foca-se em desenvolver esta perspectiva e em criar as ferramentas necessárias para o seu estudo. O objectivo desta dissertação é, apartir de uma abordagem original, enfrentar a falta de compreensão de redes neuronais no geral e, em particular, informar a escolha de arquitecturas. Os resultados obtidos mostram que a expressividade topológica tem correlações complexas com diversos elementos da arquitectura de uma rede, mostrando uma depêndencia ténue no número total de parametros. Alguns resultados seguem a mesma linha que a investigação gemétrica anterior, outros são únicos à perspectiva apresentada e complementando resultados anteriores.Petri, GiovanniPinheiro, Flávio Luís PortasRUNLeitão, António Maria Lage de Sousa2021-12-22T17:59:44Z2021-12-152021-12-15T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/129615TID:202833577enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-03-11T05:08:43Zoai:run.unl.pt:10362/129615Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:46:35.734037Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Topological Expressiveness of Neural Networks: Topology of Learning |
title |
Topological Expressiveness of Neural Networks: Topology of Learning |
spellingShingle |
Topological Expressiveness of Neural Networks: Topology of Learning Leitão, António Maria Lage de Sousa Topological Data Analysis Neural Networks Machine Learning Decision Boundary Persistent Homology Voronoi Diagram Análise Topológica de Dados Redes Neuronais Aprendizagem Autónoma |
title_short |
Topological Expressiveness of Neural Networks: Topology of Learning |
title_full |
Topological Expressiveness of Neural Networks: Topology of Learning |
title_fullStr |
Topological Expressiveness of Neural Networks: Topology of Learning |
title_full_unstemmed |
Topological Expressiveness of Neural Networks: Topology of Learning |
title_sort |
Topological Expressiveness of Neural Networks: Topology of Learning |
author |
Leitão, António Maria Lage de Sousa |
author_facet |
Leitão, António Maria Lage de Sousa |
author_role |
author |
dc.contributor.none.fl_str_mv |
Petri, Giovanni Pinheiro, Flávio Luís Portas RUN |
dc.contributor.author.fl_str_mv |
Leitão, António Maria Lage de Sousa |
dc.subject.por.fl_str_mv |
Topological Data Analysis Neural Networks Machine Learning Decision Boundary Persistent Homology Voronoi Diagram Análise Topológica de Dados Redes Neuronais Aprendizagem Autónoma |
topic |
Topological Data Analysis Neural Networks Machine Learning Decision Boundary Persistent Homology Voronoi Diagram Análise Topológica de Dados Redes Neuronais Aprendizagem Autónoma |
description |
Dissertation presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced Analytics |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-12-22T17:59:44Z 2021-12-15 2021-12-15T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10362/129615 TID:202833577 |
url |
http://hdl.handle.net/10362/129615 |
identifier_str_mv |
TID:202833577 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799138069269446656 |