Sciortino, Alessandro
(2024)
Analisi delle relazioni tra le tecniche di explainability e le tecniche di pruning nella progettazione di reti neurali profonde.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Ingegneria elettronica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (3MB)
| Contatta l'autore
|
Abstract
Negli ultimi decenni, il machine learning (ML) ha rivoluzionato settori accademici e industriali, grazie
alla sua capacità di apprendere dai dati. Le reti neurali profonde (DNN), in particolare, hanno
mostrato risultati straordinari in vari campi, come il riconoscimento di immagini, il riconoscimento
vocale e la traduzione automatica. Tuttavia, nonostante i loro successi, le DNN presentano ancora
numerose sfide, per quanto riguarda la comprensibilità e la complessità computazionale.
La comprensibilità è di primaria importanza per la fiducia e l’adozione delle soluzioni basate su ML
in applicazioni critiche, come la finanza e il settore automobilistico. Gli utenti finali devono poter
comprendere e fidarsi delle previsioni dei modelli. Inoltre, la regolamentazione sempre più rigorosa
richiede che i modelli di AI siano trasparenti e spiegabili. Qui entra in gioco la explainable AI (XAI),
un’area del ML che mira a creare tecniche che rendano i modelli comprensibili agli utenti.
Parallelamente, le DNN sono note per la complessità e i loro elevati requisiti computazionali, che
possono limitare l’implementazione pratica, specialmente su dispositivi con risorse limitate. Le
tecniche di pruning mirano a ridurre la complessità dei modelli, eliminando pesi o connessioni non
necessari, senza compromettere le prestazioni.
Abstract
Negli ultimi decenni, il machine learning (ML) ha rivoluzionato settori accademici e industriali, grazie
alla sua capacità di apprendere dai dati. Le reti neurali profonde (DNN), in particolare, hanno
mostrato risultati straordinari in vari campi, come il riconoscimento di immagini, il riconoscimento
vocale e la traduzione automatica. Tuttavia, nonostante i loro successi, le DNN presentano ancora
numerose sfide, per quanto riguarda la comprensibilità e la complessità computazionale.
La comprensibilità è di primaria importanza per la fiducia e l’adozione delle soluzioni basate su ML
in applicazioni critiche, come la finanza e il settore automobilistico. Gli utenti finali devono poter
comprendere e fidarsi delle previsioni dei modelli. Inoltre, la regolamentazione sempre più rigorosa
richiede che i modelli di AI siano trasparenti e spiegabili. Qui entra in gioco la explainable AI (XAI),
un’area del ML che mira a creare tecniche che rendano i modelli comprensibili agli utenti.
Parallelamente, le DNN sono note per la complessità e i loro elevati requisiti computazionali, che
possono limitare l’implementazione pratica, specialmente su dispositivi con risorse limitate. Le
tecniche di pruning mirano a ridurre la complessità dei modelli, eliminando pesi o connessioni non
necessari, senza compromettere le prestazioni.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Sciortino, Alessandro
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
INGEGNERIA ELETTRONICA
Ordinamento Cds
DM270
Parole chiave
Explainability,Pruning,LRP,Reti Neurali,ML
Data di discussione della Tesi
22 Luglio 2024
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Sciortino, Alessandro
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
INGEGNERIA ELETTRONICA
Ordinamento Cds
DM270
Parole chiave
Explainability,Pruning,LRP,Reti Neurali,ML
Data di discussione della Tesi
22 Luglio 2024
URI
Statistica sui download
Gestione del documento: