Modelos generativos-inferenciales: teoría y aplicaciones
Professor Advisor
dc.contributor.advisor
Estévez Valencia, Pablo Antonio
Professor Advisor
dc.contributor.advisor
Huijse Heise, Pablo Andrés
Author
dc.contributor.author
Astorga Rocha, Nicolás Javier
Associate professor
dc.contributor.other
Cabrera Vives, Guillermo Felipe
Associate professor
dc.contributor.other
Silva Sánchez, Jorge Felipe
Admission date
dc.date.accessioned
2022-03-01T13:39:05Z
Available date
dc.date.available
2022-03-01T13:39:05Z
Publication date
dc.date.issued
2021
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/183959
Abstract
dc.description.abstract
Esta tesis estudia modelos generativos-inferenciales (GI) \textit{i.e.} modelos generativos basados en redes neuronales que consideran un modelo de inferencia. El modelo de inferencia es útil para alcanzar las características más relevantes del espacio observado $\mathcal{X}$ comprimidas en el espacio latente $\mathcal{Z}$. Proponemos dos propiedades deseadas para estos modelos: una asociada al modelo gráfico y otra asociada a sus capacidades de representación. Habiendo formalizado estas propiedades, nos enfocamos en alcanzarlas bajo dos marcos: 1) Hacer coincidir las distribuciones conjuntas de los modelos GI y 2) utilizando una perspectiva novedosa basada en la información mutua de las distribuciones de los modelos GI. Desde estas perspectivas proponemos nuevos modelos GI. También validamos los hallazgos teóricos con extensos resultados experimentales.
Observamos que la distribución prior $p(z)$ de los modelos GI es fundamental tanto la generación de datos como para su representación. Derivamos teóricamente los modelos con priors multimodales en lugar de unimodales. Basándonos en esta teoría, propusimos dos modelos. Un modelo es usado para realizar \textit{clustering} en imágenes, obteniendo resultados en el estado del arte. El otro modelo puede ser usado para detección de anomalías en curvas de luz gracias a un nuevo decodificador y un nuevo \textit{score} para detectar anomalías.
es_ES
Lenguage
dc.language.iso
en
es_ES
Publisher
dc.publisher
Universidad de Chile
es_ES
Type of license
dc.rights
Attribution-NonCommercial-NoDerivs 3.0 United States