Zitierlink:
http://dx.doi.org/10.25819/ubsi/9908
Dateien zu dieser Ressource:
Datei | Beschreibung | Größe | Format | |
---|---|---|---|---|
Dissertation_Jonas_Geiping.pdf | 18.91 MB | Adobe PDF | ![]() Öffnen/Anzeigen |
Dokumentart: | Doctoral Thesis | Titel: | Modern optimization techniques in computer vision | Titelzusatz: | from variational models to machine learning security | Sonstiger Titel: | Moderne Optimierungstechniken in der Computer Vision : von variationellen Modellen bis hin zu Sicherheit im Machine Learning | AutorInn(en): | Geiping, Jonas | Institut: | Department Elektrotechnik - Informatik | Schlagwörter: | Optimization Theory, Machine Learning, Bilevel Optimization, Computer Vision, Security | DDC-Sachgruppe: | 004 Informatik | GHBS-Notation: | TVUC TVVC TUH |
Erscheinungsjahr: | 2021 | Publikationsjahr: | 2021 | Zusammenfassung: | This thesis presents research into multiple optimization topics in computer vision with a conceptual focus on composite optimization problems such as bilevel optimization. The optimal graph-based discretization of variational problems in minimal partitions, the theoretical analysis of nonconvex composite optimization by nonconvex majorizers, the bilevel problem of learning energy models by nonconvex majorizers, and the machine learning security applications of bilevel optimization in privacy analysis of federated learning and dataset poisoning of general image classification are featured in this cumulative work. Diese Arbeit präsentiert Forschungsergebnisse in mehreren Problemstellungen aus dem Feld des maschinellen Sehens und diskutiert generalisierte Optimierungsstrategien für solche mit einem konzeptuellen Fokus auf kompositionellen Optimierungsstrategien wie Bi-Level Optimierung. Die optimale Graph-basierte Diskretisierung von Variationsproblemen in Rahmen von Minimalen Partitionen, die theoretische Analyse von kompositioneller Optimierung durch nichtkonvexe Majorisierer, die Aufgabe des Lernens von Energiemodellen durch nichtkonvexe Majorisierer, und die Anwendungen dieser Bilevel-Optimierung im Rahmen der Sicherheitsanalyse von maschinellem Lernen beim Datenschutz in föderierten Lernverfahren und potentiellen Verfälschungen von Bilddaten für Bildklassifikation, sind Themen dieser kumulativen Arbeit. |
Beschreibung: | Kumulative Dissertation |
DOI: | http://dx.doi.org/10.25819/ubsi/9908 | URN: | urn:nbn:de:hbz:467-18976 | URI: | https://dspace.ub.uni-siegen.de/handle/ubsi/1897 |
Enthalten in den Sammlungen: | Hochschulschriften |
Diese Ressource ist urheberrechtlich geschützt. |
Seitenansichten
597
checked on 18.08.2024
Download(s)
334
checked on 18.08.2024
Google ScholarTM
Prüfe
Prüfe
Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt, soweit nicht anderweitig angezeigt.