Název: Generative Adversarial Networks and Applications in Bioinformatics
Autoři: KOLESNICHENKO, Nikita
Typ dokumentu: Bakalářské práce
Rok: 2021
Jazyk: eng
Abstrakt: Generative Adversarial Networks (GAN) are currently considered a state-of-the-art method for image generation. Recently, Deep Convolutional Generative Adversarial Networks (DCGAN) yielded promising results in protein contact maps generation. The algorithm generated realistic protein structures, which were less erroneous than previously used generative methods. However, DCGAN is notorious for being hard to train due to the limitations of its loss function and complications in optimization. Wasserstein Generative Adversarial Networks (WGAN) was proposed, employing the Wasserstein loss function that stabilizes training and alleviates some of the DCGAN's training problems. In this thesis, a hyperparameter grid search for DCGAN and WGAN was conducted on the CIFAR-10 dataset. Runs with different hyperparameters were compared using Fréchet Inception Distance to determine whether WGAN is more stable than DCGAN.
Klíčová slova: DCGAN; generative adversarial networks; hyperparameter search; protein contact maps generation; protein design; WGAN
Citace: KOLESNICHENKO, Nikita. Generative Adversarial Networks and Applications in Bioinformatics . České Budějovice, 2021. bakalářská práce (Bc.). JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH. Přírodovědecká fakulta

Instituce: Jihočeská univerzita v Českých Budějovicích (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v digitálním repozitáři JČU.
Původní záznam: http://www.jcu.cz/vskp/64985

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-518528


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Jihočeská univerzita v Českých Budějovicích
Vysokoškolské kvalifikační práce > Bakalářské práce