skip to main content
Language:
Search Limited to: Search Limited to: Resource type Show Results with: Show Results with: Search type Index

Leveraging (Physical) Randomness in Machine Learning Algorithms

Digital Resources/Online E-Resources

Citations Cited by
  • Title:
    Leveraging (Physical) Randomness in Machine Learning Algorithms
  • Author: Ohana, Ruben
  • Subjects: Calcul optique ; Caractéristiques aléatoires ; Direct feedback alignment ; Kernel methods ; Méthodes à noyau ; Optical computing ; Optimal transport ; Random features ; Retour par alignement direct ; Security of systems ; Sécurité des systèmes ; Transport optimal
  • Description: Dans cette thèse, nous tirerons parti de l’usage de l’aléatoire dans différents aspects de l’apprentissage automatique. Nous commencerons par montrer le lien entre le calcul par réservoir et les noyaux récurrents sous le prisme des caractéristiques aléatoires, et introduirons les transformées structurées afin d’améliorer la complexité computationnelle du calcul par réservoir. Par la suite, nous montrerons comment tirer parti de calculs optiques afin de mettre à l’échelle les caractéristiques aléatoires pour l’approximation de noyaux, à bas coût énergétique. Nous continuerons par montrer comment combiner le Processeur de Calcul Optique avec des méthodes d’entraînement alternatives à la rétropropagation du gradient tel que l’alignement par retour direct, afin de rendre adversariallement robuste des réseaux de neurones entraînés depuis le début ou d’augmenter la robustesse des défenses les plus robustes. Par ailleurs, nous entraînerons un réseau de neurones de façon optique et tirerons parti du bruit expérimental afin de démontrer comment cela induit une confidentialité différentielle. Nous finirons par utiliser les bornes PAC-Bayésiennes afin d’optimiser la distribution des projections aléatoires de la distance de Sliced-Wasserstein, tout en s’appuyant sur des fondations théoriques. In this thesis, we will leverage the use of randomness in multiple aspects of machine learning. We will start by showing the link between reservoir computing and recurrent kernels through the lens of random features, and introduce structured transforms to improve the computational complexity of reservoir computing. We will then show how optical computing can help scaling-up random features for kernel approximation, at a low energy cost. We will continue by showing how to combine the Optical Processing Unit with training methods alternative to backpropagation such as Direct Feedback Alignment, to make adversarially robust networks trained from the beginning, or improve the robustness of state-of-the-art defenses. We will also train optically a neural network and show how the experimental noise yields differential privacy. We will finish by using PAC-Bayesian bounds to optimize the distribution of random projections of Sliced-Wasserstein distances while being theoretically grounded.
  • Creation Date: 2022
  • Language: English
  • Source: Theses.fr
Back to results list
INSPIRE LIBRARY - TON DUC THANG UNIVERSITY (84-028) 37 755 057 Feedback
19 Nguyen Huu Tho St. Dist.7, HCM thuvien@tdtu.edu.vn

Copyright © 2017 INSPIRE LIBRARY - TON DUC THANG UNIVERSITY

Searching Remote Databases, Please Wait