|
|
Flexibility, Robustness and Discontinuities in Nonparametric Regression Approaches
Maciak, Matúš ; Hušková, Marie (vedoucí práce) ; Hlávka, Zdeněk (oponent) ; Horová, Ivanka (oponent)
Názov práce: Flexibilnost, Robustnost a Nespojitost v Neparametrických Regresních Postupech Autor: Mgr. Matúš Maciak, M.Sc. Pracoviště: Katedra Pravděpodobnosti a Matematické Statistiky, Univerzita Karlova v Praze Supervisor: Prof. RNDr. Marie Hušková, DrSc. huskova@karlin.mff.cuni.cz Abstrakt: V tejto práci sa zameriame na lokálne polynomiálne vyhadovanie neznámej regresnej funkcie, pričom zároveň sa budeme snažiť zapracovať do odhadovacích postupov určitú mieru robustnosti a to špeciálne vzhľadom k odľahlým pozorovaniam a tiež rozdeleniam náhodných chýb, ktoré sa vyznačujú ťažkými chvostami. Zamierame našu pozornosť na tzv. lokálne polynomiálne M-vyhladovače (M-smoothers) a odvodíme ich základné štatistické vlastnosti. Ďalšia zásadná vlastnosť s ktorou budeme pracovať, je nespojitosť, prípadne nehladkosť (teda nespojitosť derivácii) neznámej regresnej funkcie. Zaoberať sa budeme niektorými druhmi modelov, špeciálne modelom s homoskedastickou a heteroskedastickou štruktúrou variability a to pre prípad nezávislých, ako aj závislých pozorovaní. Nespojitosti v modeli budeme riešiť prostredníctvom štatistických testov, pre ktoré navrhneme konkrétne postupy a budeme tiež vyšetrovať ich základné štatistické vlastnosti. Vzhľadom k faktu, že asymptotické rozdelenie testových štatistík, rovnako ako aj odhadov...
|
|
|
Testing Structural Changes Using Ratio Type Statistics
Peštová, Barbora ; Hušková, Marie (vedoucí práce) ; Prášková, Zuzana (oponent) ; Jarušková, Daniela (oponent)
Testování strukturálních změn pomocí statistik podílového typu Barbora Peštová Univerzita Karlova v Praze, Matematicko-fyzikální fakulta, Katedra pravděpodobnosti a matematické statistiky Abstrakt disertační práce Budeme se zabývat posloupnostmi pozorování, která jsou přirozeně uspořádána v čase a současně pro ně uvažujeme různé stochastické modely. Tyto modely jsou parametrické a některé z parametrů mohou podléhat změně v předem neznámém čase. Hlavní cíl této disertace spočívá v testování, zda taková změna nastala nebo ne. Jádrem zde prezentovaných metod detekce okamžiku změny jsou statistiky podílového typu založené na maximech kumulativních součtů. Nejdřív jsou prezentována východiska disertační práce. Pak se zaměříme na metody detekce postupné změny ve střední hodnotě. Následně zobecníme procedury pro detekci náhlé změny ve střední hodnotě pomocí skórové funkce. Budeme studovat možnosti použití metody bootstrap pro získání kritických hodnot v případě, že náhodné chyby modelu mohou být slabě závislé. Představíme také procedury pro detekci změny v parametrech lineárního regresního modelu a odvodíme permutační verzi testu. Dále budeme studovat příbuzný problém testování změny v...
|
|
|
Improving Robustness of Speaker Recognition using Discriminative Techniques
Novotný, Ondřej ; Ferrer, Luciana (oponent) ; Pollák, Petr (oponent) ; Černocký, Jan (vedoucí práce)
This work deals with discriminative techniques in speaker verification systems to improve robustness of the systems against factors that negatively affect their performance. These factors include noise, reverberation, or the transmission channel. The thesis consists of two main parts. In the first part, it deals with a theoretical introduction to current state-of-the-art speaker verification systems. The recognition system's steps are described, starting from the extraction of acoustic features, the extraction of vector representations of recordings, and the final recognition score computation. Particular emphasis is paid to the techniques of extraction of a vector representation of a recording, where we describe two different paradigms: the i-vectors and the x-vectors. The second part of the work focuses more on discriminative techniques to increase robustness. Their description is organized to match the gradual passage of the recording through the verification system. First, attention is paid to signal pre-processing using a neural network for noise reduction and speech enhancement. This pre-processing is a universal technique independent of the verification system. The work follows by focusing on the use of a discriminative approach in the extraction of features and the extraction of vector representations of recordings. Furthermore, this work sheds light on the transition from generative systems to discriminative systems. In order to give a fuller context, the work also describes techniques that had historically preceded this transition. All presented techniques are always experimentally verified and their advantages evaluated. We are proposing several techniques that have proved successful in both the generative approach in the form of i-vectors and discriminative x-vectors, and thanks to them, considerable improvement has been achieved. For completeness, in the field of robustness, other techniques are included in the work, such as normalization of scores or multi-condition training. Finally, the work deals with the robustness of discriminative systems in terms of data used in their training.
|
|
|
Shadowing and Lighting Acceleration
Milet, Tomáš ; Kohout, Josef (oponent) ; Kolivand, Hoshang (oponent) ; Herout, Adam (vedoucí práce)
The goal of the thesis is to present methods for acceleration of shadows and lighting. The main focus of the thesis is an acceleration of per-sample precise shadows using shadow volumes on different platforms. Other parts of this thesis also describe methods for increasing the precision of shadow map based methods and lighting.
|
|
|
Shadowing and Lighting Acceleration
Milet, Tomáš ; Kohout, Josef (oponent) ; Kolivand, Hoshang (oponent) ; Herout, Adam (vedoucí práce)
The goal of the thesis is to present methods for acceleration of shadows and lighting. The main focus of the thesis is an acceleration of per-sample precise shadows using shadow volumes on different platforms. Other parts of this thesis also describe methods for increasing the precision of shadow map based methods and lighting.
|
|
|
Metody steganografie
Obdržálková, Karolína ; Blažek, Petr (oponent) ; Člupek, Vlastimil (vedoucí práce)
Tato bakalářská práce se zabývá steganografií, jejími druhy a metodami. V rámci této práce je obecně popsána steganografie. Značná část je věnována vývoji steganografie a možnostem využití této bezpečnostní disciplíny při šíření škodlivého softwaru a při ochraně autorských děl. V další části jsou popsány druhy steganografie rozdělené podle nosiče, jejich metody a také vlastnosti steganografických metod. Na základě teoretických poznatků byla vytvořena aplikace s grafickým uživatelským rozhraním umožňující skrytí a odhalení tajné informace s využitím steganografické metody LSB. Tato aplikace je popsána v závěrečné části spolu s ohodnocením zabezpečení skrývaných informací.
|
|
|
Hledání robustních cest pro více agentů
Nekvinda, Michal ; Barták, Roman (vedoucí práce) ; Pilát, Martin (oponent)
Práce se věnuje hledání robustních nekonfliktních cest v multi-agent path finding (MAPF). Představíme zde několik nových technik pro konstrukci těchto cest a popíšeme jejich vlastnosti. Budeme se zabývat použitím techniky plánování s alternativami, na základě níž vytvoříme pro agenty stromový plán, přičemž konkrétní průchod si agenti zvolí na základě aktuálního zpoždění během cesty. Dále představíme algoritmus zvyšující robustnost při zachování původní délky řešení a zkombinujeme ho s předchozím přístupem. Věnovat se budeme také metodě zvyšující robustnost pomocí změn rychlosti agentů. Následně experimentálně ověříme použitelnost všech technik na různých typech grafů. Ukážeme, že navržené metody jsou výrazně robustnější než klasické řešení a jisté výhody mají i oproti doposud známým konstrukcím robustních plánů.
|
|
|
On the Effect of Human Resources on Tourist Infrastructure: New Ideas on Heteroscedastic Modeling Using Regression Quantiles
Kalina, Jan ; Janáček, Patrik
Tourism represents an important sector of the economy in many countries around the world. In this work, we are interested in the effect of the Human Resources and Labor Market pillar of the Travel and Tourism Competitiveness Index on tourist service infrastructure across 141 countries of the world. A regression analysis requires to handle heteroscedasticity in these data, which is not an uncommon situation in various available human capital studies. Our first task is focused on testing significance of individual variables in the model. It is illustrated here that significance tests are influenced by heteroscedasticity, which remains true also for tests for regression quantiles or robust regression estimators, resistant to a possible contamination of data by outliers. Only if a suitable model is considered, which takes heteroscedasticity into account, the effect of the Human Resources and Labor Market pillar turns out to be significant. Further, we propose and present a new diagnostic tool denoted as aquintile plot, allowing to interpret immediately the heteroscedastic structure of the linear regression model for possibly contaminated data.
|
|
|
Regression for High-Dimensional Data: From Regularization to Deep Learning
Kalina, Jan ; Vidnerová, Petra
Regression modeling is well known as a fundamental task in current econometrics. However, classical estimation tools for the linear regression model are not applicable to highdimensional data. Although there is not an agreement about a formal definition of high dimensional data, usually these are understood either as data with the number of variables p exceeding (possibly largely) the number of observations n, or as data with a large p in the order of (at least) thousands. In both situations, which appear in various field including econometrics, the analysis of the data is difficult due to the so-called curse of dimensionality (cf. Kalina (2013) for discussion). Compared to linear regression, nonlinear regression modeling with an unknown shape of the relationship of the response on the regressors requires even more intricate methods.
|
|
|
Improving Robustness of Neural Networks against Adversarial Examples
Gaňo, Martin ; Matyáš, Jiří (oponent) ; Češka, Milan (vedoucí práce)
This work discusses adversarial attacks to image classifier neural network models. Our goal is to summarize and demonstrate adversarial methods to show that they pose a serious issue in machine learning. The important contribution of this work is the implementation of a tool for training a robust model against adversarial examples. Our approach is to minimize maximization the loss function of the target model. Related work and our own experiments leads us to use Projected gradient descent as a target attack, therefore, we train against data generated by Projected gradient descent. As a result using the framework, we can achieve accuracy more than 90% against sophisticated adversarial attacks.
|
host ::
RSS.