|
|
Improving Robustness of Neural Networks against Adversarial Examples
Gaňo, Martin ; Matyáš, Jiří (referee) ; Češka, Milan (advisor)
Tato práce pojednává o kontradiktorních útocích na klasifikační modely neuronových sítí. Naším cílem je shrnout a demonstrovat kontradiktorní metody a ukázat, že představují vážný problém v strojovém učení. Důležitým přínosem této práce je implementace nástroje pro trénink robustního modelu na základě kontradiktorních příkladů. Náš přístup spočívá v minimalizaci maximalizace chybové funkce cílového modelu. Související práce a naše vlastní experimenty nás vedou k použití Projektovaného gradientního sestupu jako cílového útoku, proto trénujeme proti datům generovaným Projektovaným gradientním sestupem. Výsledkem použití nástroje je, že můžeme dosáhnout přesnosti více než 90% proti sofistikovaným nepřátelským útokům.
|
|
|
Acceleration of Neurostimulation Using Artificial Intelligence Methods
Gaňo, Martin ; Chlebík, Jakub (referee) ; Jaroš, Jiří (advisor)
Treatment using transcranial ultrasound is a rapidly arising domain of medicine. This method brings options for non-invasive brain therapies, including ablation, neuromodulation, or potentially opening the blood-brain barrier for the following treatment. The health officer needs to constantly receive feedback on the ultrasound wavefield in the human skull in real-time to accomplish the cure using these techniques. The traditional methods for simulating monochromous ultrasound waves are computationally too expensive. That is why their usage would be infeasible for these purposes, and it brings the need for alternative methods. This work proposed and implemented a method to solve the Helmholtz equation in 3D space using a neural network achieving a faster convergence rate. The neural network design uses lightweight architecture based on UNet. The main interest of this work is neuromodulation because, in this application, it is possible to ignore several variables and phenomena that would not be negligible in other use cases. Omitting them from the calculations increased the chances of accomplishing computations in a reasonable time. The method is fully unsupervised and uses exclusively artificially generated spherical harmonics and physics-based loss for training, with no required ground truth labels. Results showed a faster calculation with acceptable error than other traditional methods.
|
|
|
Acceleration of Neurostimulation Using Artificial Intelligence Methods
Gaňo, Martin ; Chlebík, Jakub (referee) ; Jaroš, Jiří (advisor)
Treatment using transcranial ultrasound is a rapidly arising domain of medicine. This method brings options for non-invasive brain therapies, including ablation, neuromodulation, or potentially opening the blood-brain barrier for the following treatment. The health officer needs to constantly receive feedback on the ultrasound wavefield in the human skull in real-time to accomplish the cure using these techniques. The traditional methods for simulating monochromous ultrasound waves are computationally too expensive. That is why their usage would be infeasible for these purposes, and it brings the need for alternative methods. This work proposed and implemented a method to solve the Helmholtz equation in 3D space using a neural network achieving a faster convergence rate. The neural network design uses lightweight architecture based on UNet. The main interest of this work is neuromodulation because, in this application, it is possible to ignore several variables and phenomena that would not be negligible in other use cases. Omitting them from the calculations increased the chances of accomplishing computations in a reasonable time. The method is fully unsupervised and uses exclusively artificially generated spherical harmonics and physics-based loss for training, with no required ground truth labels. Results showed a faster calculation with acceptable error than other traditional methods.
|
|
|
Improving Robustness of Neural Networks against Adversarial Examples
Gaňo, Martin ; Matyáš, Jiří (referee) ; Češka, Milan (advisor)
Tato práce pojednává o kontradiktorních útocích na klasifikační modely neuronových sítí. Naším cílem je shrnout a demonstrovat kontradiktorní metody a ukázat, že představují vážný problém v strojovém učení. Důležitým přínosem této práce je implementace nástroje pro trénink robustního modelu na základě kontradiktorních příkladů. Náš přístup spočívá v minimalizaci maximalizace chybové funkce cílového modelu. Související práce a naše vlastní experimenty nás vedou k použití Projektovaného gradientního sestupu jako cílového útoku, proto trénujeme proti datům generovaným Projektovaným gradientním sestupem. Výsledkem použití nástroje je, že můžeme dosáhnout přesnosti více než 90% proti sofistikovaným nepřátelským útokům.
|
guest ::
