|
|
Explainable Face Liveness Classification
Mičulek, Petr ; Beran, Vítězslav (oponent) ; Špaňhel, Jakub (vedoucí práce)
The goal of this thesis is to explore, develop, and evaluate explainable face presentation attack detection (PAD) systems. PAD systems act as security filters for face recognition, preventing spoofed faces from reaching the identification phase. These systems are a necessary component enabling the recent rise of biometric systems used in smartphones and security cameras. While neural networks are the standard method for this task, they are commonly a black-box method providing no explanation. To provide a better understanding of the detection process, input attribution methods are applied. Their suitability is studied and various variants are compared. Of the seven methods compared, GradCAM using test-time augmentation is evaluated as the best, achieving a deletion metric AUC of 0.658 and an insertion metric AUC of 0.908. Experiments with the explanations show their limited capability at helping understand the model, but provide hints at how the predictive accuracy of the PAD system can be verified, and possibly improved.
|
|
|
Can Machines Explain Stock Returns?
Chalupová, Karolína ; Baruník, Jozef (vedoucí práce) ; Vácha, Lukáš (oponent)
Mohou stroje vysvětlit akciové výnosy? Abstrakt diplomové práce Karolína Chalupová January 5, 2021 Nedávný výzkum ukazuje, že neuronové sítě dokážou předpovídat akciové výnosy lépe, než kterýkoli jiný model. Metematicky komplikovaná povaha sítí je zároveň jejich výhodou, umožňující odhalovat komplexní vzorce, a jejich prokletím, znesnadňujícím jejich interpretaci, což zamlžuje výhody a nevýhody sítí a komplikuje jejich užití. Tato práce je jedním z prvních pokusů toto prokletí překonat. Za použití nově vyvinutých metod interpretovatelného stro- jového učení objasňuje, jak sítě vytvářejí své vynikající předpovědi výnosů. Poskytuje tak nové odpovědi na starou otázku, které proměnné určují rozdíly v akciových výnosech, a vysvětluje, co stojí za bezkonkurenční schopností neu- ronových sítí identifikovat mezi akciemi na trhu budoucí vítěze a poražené. Tato práce je pravděpodobně první, která zjišťuje, zda neuronové sítě pod- porují ekonomické mechanismy, které během posledních 50 let přinesl výzkum v oblasti oceňování aktiv. Z hlediska aplikace pro finanční praxi práce nabízí transparentnost, kterou přináší dekompozice každé předpovědi na vlivy jed- notlivých vstupních proměnných; zároveň si práce zachovává Sharpe ratio na úrovni současné vědy. Navíc je představena nová metrika, která je zvláště vhodná pro...
|
|
|
Can Machines Explain Stock Returns?
Chalupová, Karolína ; Baruník, Jozef (vedoucí práce) ; Vácha, Lukáš (oponent)
Mohou stroje vysvětlit akciové výnosy? Abstrakt diplomové práce Karolína Chalupová January 5, 2021 Nedávný výzkum ukazuje, že neuronové sítě dokážou předpovídat akciové výnosy lépe, než kterýkoli jiný model. Metematicky komplikovaná povaha sítí je zároveň jejich výhodou, umožňující odhalovat komplexní vzorce, a jejich prokletím, znesnadňujícím jejich interpretaci, což zamlžuje výhody a nevýhody sítí a komplikuje jejich užití. Tato práce je jedním z prvních pokusů toto prokletí překonat. Za použití nově vyvinutých metod interpretovatelného stro- jového učení objasňuje, jak sítě vytvářejí své vynikající předpovědi výnosů. Poskytuje tak nové odpovědi na starou otázku, které proměnné určují rozdíly v akciových výnosech, a vysvětluje, co stojí za bezkonkurenční schopností neu- ronových sítí identifikovat mezi akciemi na trhu budoucí vítěze a poražené. Tato práce je pravděpodobně první, která zjišťuje, zda neuronové sítě pod- porují ekonomické mechanismy, které během posledních 50 let přinesl výzkum v oblasti oceňování aktiv. Z hlediska aplikace pro finanční praxi práce nabízí transparentnost, kterou přináší dekompozice každé předpovědi na vlivy jed- notlivých vstupních proměnných; zároveň si práce zachovává Sharpe ratio na úrovni současné vědy. Navíc je představena nová metrika, která je zvláště vhodná pro...
|
host ::
RSS.