Look-up in Google Scholar
Full metadata record
Mora Colque, Rensso Victor Hugo
Jaita Aguilar, Jose Hugo
2021-03-05T15:29:00Z
2021-03-05T15:29:00Z
2020
1073055
https://hdl.handle.net/20.500.12590/16647
Hoy en día, los modelos de aprendizaje profundo representan el estado del arte en muchas tareas, lo que ha motivado a utilizarse en distintas aplicaciones reales. Varias de ellas se encuentran en campos como: la medicina, seguridad, finanzas, etc. en donde una predicción errónea puede llegar a ser fatal. Por lo tanto, necesitamos que los modelos no solo den una predicción, sino que además un grado de certeza acerca de ella, es decir, la incertidumbre en la predicción. En esta tesis se estudian dos tipos de incertidumbre: la epistémica (la cual captura la falta de certeza del modelo) y la aleatoria (generada por el ruido en los datos). La estimación de la incertidumbre epistémica es un desafío, siendo el enfoque bayesiano el más utilizado para abordarla (debido a las herramientas que nos ofrece), pero este viene con un costo computacional prohibitivo, evidenciado aún más en modelos de aprendizaje profundo. Nosotros proponemos el método SVGD-A, utilizando como base al método SVGD, para realizar la inferencia bayesiana. Nuestra propuesta se enfoca en acelerar el proceso de convergencia de SVGD, permitiendo el escalamiento a modelos profundos. En cuanto a la incertidumbre aleatoria, nosotros proponemos un método basado en la extracción de características de bajo nivel en modelos ya entrenados, para luego aplicarles (a las características) una reducción de dimensionalidad con t-SNE, volviendo as ́ı el problema en una tarea de cauterización. Además, proponemos un segundo método el cual utiliza el mismo esquema descrito anteriormente, pero con la novedad que se le agrega un Autoencoder Variacional. Y por último, aportamos con un novedoso enfoque para realizar inferencia usando t-SNE. Finalmente, mostramos la eficiencia de nuestros métodos en la tarea de detectar muestras out-of-distribution en distintas bases de datos, logrando resultados muy superiores al estado del arte. (es_PE)
Tesis (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Católica San Pablo (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by/4.0/ (es_PE)
Universidad Católica San Pablo (es_PE)
Repositorio Institucional - UCSP (es_PE)
Incertidumbre (es_PE)
Inferencia variacional (es_PE)
Redes neuronales profundas (es_PE)
Estimación de la incertidumbre en redes neuronales profundas (es_PE)
info:eu-repo/semantics/masterThesis (es_PE)
Universidad Católica San Pablo. Departamento de Ciencia de la Computación (es_PE)
Ciencia de la Computación (es_PE)
Maestría (es_PE)
Maestro en Ciencia de la Computación (es_PE)
PE (es_PE)
http://purl.org/pe-repo/ocde/ford#1.02.01 (es_PE)
Escuela Profesional de Ciencia de la Computación (es_PE)
https://purl.org/pe-repo/renati/level#maestro (es_PE)
42846291
https://orcid.org/0000-0003-4734-8752 (es_PE)
47718830
611017 (es_PE)
José Eduardo Ochoa Luna (es_PE)
Guillermo Cámara Chávez (es_PE)
Edwin Rafael Villanueva Talavera (es_PE)
Daniel Alexis Gutiérrez Pachas (es_PE)
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada asociativa
info:eu-repo/semantics/publishedVersion (es_PE)



This item is licensed under a Creative Commons License Creative Commons