Caricamento in corso...
Adversarial training of neural networks
01UJBRV
A.A. 2020/21
Course Language
Inglese
Degree programme(s)
Doctorate Research in Ingegneria Elettrica, Elettronica E Delle Comunicazioni - Torino
Course structure
| Teaching | Hours |
|---|---|
| Lezioni | 15 |
Lecturers
| Teacher | Status | SSD | h.Les | h.Ex | h.Lab | h.Tut | Years teaching |
|---|---|---|---|---|---|---|---|
| Valsesia Diego | Ricercatore a tempo det. L.240/10 art.24-B | IINF-03/A | 15 | 0 | 0 | 0 | 6 |
Co-lectures
Context
| SSD | CFU | Activities | Area context | *** N/A *** |
|---|
PERIODO: MARZO
Le Generative Adversarial Networks (GANs) hanno ottenuto risultati quasi fotorealistici nella generazione automatica di immagini. Le GAN hanno introdotto il concetto dell' adversarial training, in cui due reti neurali competono durante l'addestramento. L'adversarial training è un concetto molto potente che può essere applicato ad una grande varietà di problemi affrontati da diversi campi. Esempi di applicazione includono modelli generativi per immagini, serie temporali, sequenze di DNA, trasposizione da immagine ad immagine, domain adaptation, regolarizzazione di problemi inversi e molti altri. Il corso presenterà agli studenti i fondamenti teorici dell'adversarial training e i suoi sviluppi più recenti nelle applicazioni. L'argomento ha vocazione multidisciplinare dato l'adversarial training si è rivelato un elemento chiave del deep learning nelle applicazioni in molti settori.
PERIOD: MARCH
Generative Adversarial Networks (GANs) have achieved impressive results in generating fake images that look realistic. GANs introduced the concept of adversarial training where two neural networks are trained by playing a game against each other. Adversarial training is a powerful concept that has been applied to wide variety of problems across different fields including generative models for images, time series, or DNA/protein sequences, unsupervised image-to-image translation, domain adaptation, regularization of inverse problems and many more. This course will provide students with the theoretical foundations of adversarial training as well as the most recent practical examples of its use. The target audience is cross-disciplinary as adversarial training has proved itself to be a staple of modern deep learning across many fields.
Cenni di reti neurali e machine learning, fondamenti di probabilità e statistica
Basics of machine learning and neural networks, fundamentals of probability and statistics
• Introduzione alle reti neurali, architetture e algoritmo di backpropagation
• Generative Adversarial Networks (GANs): introduzione e formulazione mediante teoria dei giochi
• Wasserstein GANs: formulazione mediante trasporto ottimo
• Generative models: sviluppi recenti su immagini (DCGAN, Progressive growing, BigGAN, ...), cenni su altri tipi di dati
• Image-to-image, video-to-video translation: style transfer e Cycle GANs
• Problemi inversi: image inpainting, superresolution, compressed sensing
• Laboratorio su GAN
• Brief review of neural network architectures and training via the backpropagation algorithm
• Generative Adversarial Networks (GANs): introduction and game-theoretical formulation
• Wasserstein GANs: stability improvements via optimal transport formulation
• Generative models: recent advances in image generation (DCGAN, Progressive growing, BigGAN, ...), brief overview for other data types
• Image-to-image and video-to-video translation: style transfer and Cycle GANs
• Inverse problems: image inpainting, superresolution, compressed sensing
• Lab on GANs
Modalità mista
Mixed mode
Presentazione report scritto
Written report presentation
P.D.2-2 - Marzo
P.D.2-2 - March