Normalizing flows : a study on models’ coherence
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/245548 |
Resumo: | Normalizing Flows (NFs) atraíram atenção significativa da comunidade acadêmica como um meio de mergulhar uma distribuição de dados em uma distribuição de base muito mais simples. A segunda pertencendo a um espaço latente de mesma dimensionalidade dos dados. A evolução dos modelos de Aprendizado de Máquina nas últimas décadas e seu agora viável uso industrial trouxe preocupações a respeito da explicabilidade e manuteni bilidade de tais modelos. Por exemplo, quão privados são mantidos os dados utilizados no treinamento de tal modelo e quão fácil é modificá-lo de modo a cumprir com as diretrizes de proteção de dados requeridas. NFs oferecem um framework fundado em estatística que talvez possa nos ajudar com ambos: explicabilidade e manutenibilidade. Neste tra balho, o conceito de coerência de NF é informalmente apresentado junto de evidências de uma conhecida, mas ignorada brecha entre o mergulho aprendido e a distribuição de base contida no espaço latente. Essa brecha restringe de modo significativo o uso da dis tribuição de base e, subsequentemente, prejudica modelos mais complexos que poderiam emergir dos modelos fundamentados em NFs. Guiado pelo conceito de coerência de NF, vamos analisar dois modelos baseados no modelo Glow. no conceito de coerência de NF, diversas questões são levantadas que, no melhor do conhecimento do autor, não foram consideradas na literatura. A potencial existência de uma métrica de não-unimodalidade que pode aprimorar futuras avaliações da qualidade de ajustamento de NFs também é discutida. |
id |
UFRGS-2_f2f0af830f756c76db933c7a947efe80 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/245548 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Silva, Iron Prando daComba, Joao Luiz DihlRecamonde-Mendoza, Mariana2022-07-26T04:41:28Z2022http://hdl.handle.net/10183/245548001145364Normalizing Flows (NFs) atraíram atenção significativa da comunidade acadêmica como um meio de mergulhar uma distribuição de dados em uma distribuição de base muito mais simples. A segunda pertencendo a um espaço latente de mesma dimensionalidade dos dados. A evolução dos modelos de Aprendizado de Máquina nas últimas décadas e seu agora viável uso industrial trouxe preocupações a respeito da explicabilidade e manuteni bilidade de tais modelos. Por exemplo, quão privados são mantidos os dados utilizados no treinamento de tal modelo e quão fácil é modificá-lo de modo a cumprir com as diretrizes de proteção de dados requeridas. NFs oferecem um framework fundado em estatística que talvez possa nos ajudar com ambos: explicabilidade e manutenibilidade. Neste tra balho, o conceito de coerência de NF é informalmente apresentado junto de evidências de uma conhecida, mas ignorada brecha entre o mergulho aprendido e a distribuição de base contida no espaço latente. Essa brecha restringe de modo significativo o uso da dis tribuição de base e, subsequentemente, prejudica modelos mais complexos que poderiam emergir dos modelos fundamentados em NFs. Guiado pelo conceito de coerência de NF, vamos analisar dois modelos baseados no modelo Glow. no conceito de coerência de NF, diversas questões são levantadas que, no melhor do conhecimento do autor, não foram consideradas na literatura. A potencial existência de uma métrica de não-unimodalidade que pode aprimorar futuras avaliações da qualidade de ajustamento de NFs também é discutida.Normalizing Flows (NFs) have gathered significant attention from the academic commu nity as a means of embedding a data distribution into a much simpler base distribution. The second belonging to a latent space with the same dimensionality as the data. The Machine Learning models’ evolution in the last decades and their now viable industrial use have raised concerns regarding the explainability and maintainability of such models. For example, how private the data used to train such a model remains and how easy it is to modify this model such that it complies with the required data protection guidelines. NFs offer a statistically grounded framework that might help us with both: explainability and maintainability. In this work, the concept of NF coherence is informally presented together with evidence of a known but ignored gap between the learned embedding and the base distribution contained in the latent space. This gap significantly impairs the us age of the base distribution, and further hinders more complex models that could arise from NF-based ones. Guided by the concept of NF coherence, we will asses two adapted models based on the Glow model. Several questions are raised that, to the best of the author’s knowledge, have not been considered in the literature. The potential existence of a non-unimodality metric that could improve future assessments of the quality of fit of NFs is also discussed.application/pdfengModelagem generativa estatísticaRede neural profundaAprendizado de máquinaNormalizing flowsDeep generative modelsStatistical machine learningLatent space interpretabilityNormalizing flows : a study on models’ coherenceNormalizing Flows: Um Estudo Sobre Coerência de Modelos info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2022Ciência da Computação: Ênfase em Ciência da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001145364.pdf.txt001145364.pdf.txtExtracted Texttext/plain90229http://www.lume.ufrgs.br/bitstream/10183/245548/2/001145364.pdf.txt7768793ffa1dd99dcf7c524056bb313dMD52ORIGINAL001145364.pdfTexto completo (inglês)application/pdf9760776http://www.lume.ufrgs.br/bitstream/10183/245548/1/001145364.pdf04cf90e485d8a12829c6df4ad625c74aMD5110183/2455482022-07-27 04:48:36.222616oai:www.lume.ufrgs.br:10183/245548Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-07-27T07:48:36Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Normalizing flows : a study on models’ coherence |
dc.title.alternative.pt.fl_str_mv |
Normalizing Flows: Um Estudo Sobre Coerência de Modelos |
title |
Normalizing flows : a study on models’ coherence |
spellingShingle |
Normalizing flows : a study on models’ coherence Silva, Iron Prando da Modelagem generativa estatística Rede neural profunda Aprendizado de máquina Normalizing flows Deep generative models Statistical machine learning Latent space interpretability |
title_short |
Normalizing flows : a study on models’ coherence |
title_full |
Normalizing flows : a study on models’ coherence |
title_fullStr |
Normalizing flows : a study on models’ coherence |
title_full_unstemmed |
Normalizing flows : a study on models’ coherence |
title_sort |
Normalizing flows : a study on models’ coherence |
author |
Silva, Iron Prando da |
author_facet |
Silva, Iron Prando da |
author_role |
author |
dc.contributor.author.fl_str_mv |
Silva, Iron Prando da |
dc.contributor.advisor1.fl_str_mv |
Comba, Joao Luiz Dihl |
dc.contributor.advisor-co1.fl_str_mv |
Recamonde-Mendoza, Mariana |
contributor_str_mv |
Comba, Joao Luiz Dihl Recamonde-Mendoza, Mariana |
dc.subject.por.fl_str_mv |
Modelagem generativa estatística Rede neural profunda Aprendizado de máquina |
topic |
Modelagem generativa estatística Rede neural profunda Aprendizado de máquina Normalizing flows Deep generative models Statistical machine learning Latent space interpretability |
dc.subject.eng.fl_str_mv |
Normalizing flows Deep generative models Statistical machine learning Latent space interpretability |
description |
Normalizing Flows (NFs) atraíram atenção significativa da comunidade acadêmica como um meio de mergulhar uma distribuição de dados em uma distribuição de base muito mais simples. A segunda pertencendo a um espaço latente de mesma dimensionalidade dos dados. A evolução dos modelos de Aprendizado de Máquina nas últimas décadas e seu agora viável uso industrial trouxe preocupações a respeito da explicabilidade e manuteni bilidade de tais modelos. Por exemplo, quão privados são mantidos os dados utilizados no treinamento de tal modelo e quão fácil é modificá-lo de modo a cumprir com as diretrizes de proteção de dados requeridas. NFs oferecem um framework fundado em estatística que talvez possa nos ajudar com ambos: explicabilidade e manutenibilidade. Neste tra balho, o conceito de coerência de NF é informalmente apresentado junto de evidências de uma conhecida, mas ignorada brecha entre o mergulho aprendido e a distribuição de base contida no espaço latente. Essa brecha restringe de modo significativo o uso da dis tribuição de base e, subsequentemente, prejudica modelos mais complexos que poderiam emergir dos modelos fundamentados em NFs. Guiado pelo conceito de coerência de NF, vamos analisar dois modelos baseados no modelo Glow. no conceito de coerência de NF, diversas questões são levantadas que, no melhor do conhecimento do autor, não foram consideradas na literatura. A potencial existência de uma métrica de não-unimodalidade que pode aprimorar futuras avaliações da qualidade de ajustamento de NFs também é discutida. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-07-26T04:41:28Z |
dc.date.issued.fl_str_mv |
2022 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/245548 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001145364 |
url |
http://hdl.handle.net/10183/245548 |
identifier_str_mv |
001145364 |
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 Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/245548/2/001145364.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/245548/1/001145364.pdf |
bitstream.checksum.fl_str_mv |
7768793ffa1dd99dcf7c524056bb313d 04cf90e485d8a12829c6df4ad625c74a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224638867439616 |