Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Latent Matters
Originaluntertitel:
Amortised Variational Inference With Constrained Optimisation and Learnable Priors
Übersetzter Titel:
Die Bedeutung latenter Repräsentationen
Übersetzter Untertitel:
Amortisierte Variationsinferenz mit eingeschränkter Optimierung und lernbaren A-priori-Verteilungen
Autor:
Klushyn, Alexej
Jahr:
2021
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Bungartz, Hans-Joachim (Prof. Dr.)
Gutachter:
Bungartz, Hans-Joachim (Prof. Dr.); Groh, Georg (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
MAT 650; DAT 780
Kurzfassung:
The focus of this dissertation is on learning latent representations—in the context of probabilistic generative modelling—that reflect the factors of variation and topology of the observed data. To this end, we propose a constrained optimisation-based formulation of amortised variational inference and complement it with a powerful empirical Bayes method.
Übersetzte Kurzfassung:
Der Schwerpunkt dieser Dissertation liegt auf dem Erlernen latenter Repräsentationen – im Rahmen der probabilistischen generativen Modellierung – welche die Faktoren der Variation und die Topologie der beobachteten Daten widerspiegeln. Zu diesem Zweck stellen wir eine, auf eingeschränkter Optimierung basierende, Formulierung der amortisierten Variationsinferenz vor und ergänzen diese durch eine leistungsstarke empirische Bayes-Methode.
WWW:
https://mediatum.ub.tum.de/?id=1614761
Eingereicht am:
28.06.2021
Mündliche Prüfung:
02.12.2021
Dateigröße:
30959716 bytes
Seiten:
148
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20211202-1614761-1-8
Letzte Änderung:
03.01.2022
 BibTeX