skip to main content
Visitante
Meu Espaço
Minha Conta
Sair
Identificação
This feature requires javascript
Tags
Revistas Eletrônicas (eJournals)
Livros Eletrônicos (eBooks)
Bases de Dados
Bibliotecas USP
Ajuda
Ajuda
Idioma:
Inglês
Espanhol
Português
This feature required javascript
This feature requires javascript
Primo Search
Busca Geral
Busca Geral
Acervo Físico
Acervo Físico
Produção Intelectual da USP
Produção USP
Search For:
Clear Search Box
Search in:
Produção Intelectual da USP
Or hit Enter to replace search target
Or select another collection:
Search in:
Produção Intelectual da USP
Busca Avançada
Busca por Índices
This feature requires javascript
This feature requires javascript
Enhancing Dimensionality Reduction Techniques for Deep Neural Network Visualization
Cantareira, Gabriel Dias
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Ciências Matemáticas e de Computação 2020-11-30
Acesso online
Exibir Online
Detalhes
Resenhas & Tags
Mais Opções
This feature requires javascript
Enviar para
Adicionar ao Meu Espaço
Remover do Meu Espaço
E-mail (máximo 30 registros por vez)
Imprimir
Link permanente
Referência
EasyBib
EndNote
RefWorks
del.icio.us
Exportar RIS
Exportar BibTeX
This feature requires javascript
Título:
Enhancing Dimensionality Reduction Techniques for Deep Neural Network Visualization
Autor:
Cantareira, Gabriel Dias
Orientador:
Paulovich, Fernando Vieira
Assuntos:
Visualização De Redes Neurais
;
Deep Learning
;
Redução De Dimensionalidade
;
Projeções Multidimensionais
;
Explainable Artificial Intelligence
;
Neural Network Visualization
;
Multidimensional Projections
;
Dimensionality Reduction
Notas:
Tese (Doutorado)
Descrição:
Deep Neural Networks have achieved impressive results in
a
wide range of applications over the past few years, being responsible for many advances in computational technology. However, debugging and understanding the inner workings from these models is
a
complex task, as there are often millions of variables involved in every decision. Aiming to solve this problem, researchers from the fields of Visual Analytics and Explainable Artificial Intelligence have proposed several approaches to visualize and explain different aspects of DNN models. One of such approaches is the use of Dimensionality Reduction techniques for hidden layer output visualization, which has been employed in literature with relative success. However, there are certain limitations to applying these techniques in this context that need to be addressed, such as the visual comparison between multiple multidimensional projections. Furthermore, the particular characteristics of this domain can be taken into account to generate specialized visual representations that are more informative. This doctorate thesis shows the process of investigating problems and opportunities in DNN visualization using dimensionality reduction and the development of improved visualization methods for this domain.
DOI:
10.11606/T.55.2020.tde-25022021-130621
Editor:
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Ciências Matemáticas e de Computação
Data de criação/publicação:
2020-11-30
Formato:
Adobe PDF
Idioma:
Inglês
Links
Este item no Dedalus
Teses e Dissertações USP
E-mail do autor
E-mail do orientador
This feature requires javascript
This feature requires javascript
Voltar para lista de resultados
Resultado
1
Avançar
This feature requires javascript
This feature requires javascript
Buscando em bases de dados remotas. Favor aguardar.
Buscando por
em
scope:(USP_PRODUCAO)
Mostrar o que foi encontrado até o momento
This feature requires javascript
This feature requires javascript