Benutzer: Gast  Login
Weniger Felder
Einfache Suche
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Probabilistic Modeling and Uncertainty Awareness in Deep learning
Übersetzter Titel:
Probabilistische Modellierung und Unsicherheitsbewusstsein im Deep Learning
Autor:
Shen, Yuesong
Jahr:
2025
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 9 - Lehrstuhl für Computer Vision and Artificial Intelligence (Prof. Cremers)
Betreuer:
Cremers, Daniel (Prof. Dr.)
Gutachter:
Cremers, Daniel (Prof. Dr.); Rue, Havard (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 760; DAT 770
Kurzfassung:
This dissertation focuses on probabilistic modeling and uncertainty-aware approaches for deep learning. It is based on four papers that tackle the problem of uncertainty-aware deep learning, covering techniques such as post-hoc calibration, model aggregation, and Bayesian deep learning with variational inference. Also, an overview of related prior work is provided, which covers both classical and deep-learning-based approaches.
Übersetzte Kurzfassung:
Diese Dissertation befasst sich mit probabilistischer Modellierung und unsicherheitsbewussten Ansätzen für Deep Learning. Sie basiert auf vier Veröffentlichungen, die sich mit dem Problem des unsicherheitsbewussten Deep Learning befassen und Techniken wie Post-hoc-Kalibrierung, Modellaggregation und Bayesian Deep Learning mit Variational Inference behandeln. Außerdem wird ein Überblick über verwandte frühere Arbeiten gegeben, der sowohl klassische als auch Deep Learning basierte Ansätze abdeckt.
WWW:
https://mediatum.ub.tum.de/?id=1744795
Eingereicht am:
08.11.2024
Mündliche Prüfung:
24.03.2025
Dateigröße:
8993836 bytes
Seiten:
182
Urn (Zitierfähige URL):
https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250324-1744795-0-4
Letzte Änderung:
07.04.2025
 BibTeX