Zaznavanje spremembe učnega koncepta pri inkrementalnem učenju generativnih nasprotniških mrežKuhta, Jan (Avtor) Bosnić, Zoran (Mentor) strojno učenjesprememba konceptagloboko učenjegenerativne nasprotniške mrežeinkrementalno učenjeV diplomskem delu smo združili področji računalniškega generiranja slik ter inkrementalnega učenja s poudarkom na zaznavanju spremembe učnega koncepta. Razvili smo inovativno metodo za zaznavanje sprememb v slikovnih podatkovnih tokovih, ki temelji na analizi izgub diskriminatorja znotraj zanke učenja generativnih nasprotniških mrež (GAN). Eksperimenti so pokazali, da se za naše namene najbolje obnese arhitektura Wasserstein GAN z gradientno kaznijo (WGAN-GP), ki smo jo uporabili v glavnem delu našega testiranja. Zasledili smo, da se ob ne\-nad\-nih spremembah porazdelitve vhodnih podatkov izguba diskriminatorja za določeno število iteracij strmo poveča po absolutni vrednosti. To specifično lastnost smo izkoristili pri razvoju metode Gan Loss Drift Detection (GLDD). Metodo smo temeljito testirali na slikovni množici MNIST digits, ki smo jo predhodno preoblikovali v deset različnih porazdelitev podatkov. Med poskusi se je posebej uspešna izkazala verzija GLDD-KSWIN, ki je dosegla povprečno natančnost 0.79, občutljivost 0.90, F1-oceno 0.84 in zamik zaznave 41.64. Rezultati kažejo, da je predlagana metoda obetaven temelj za nadaljnje raziskave na tem področju, ki še vedno ostaja precej nedotaknjeno in polno izzivov.20242024-03-05 13:15:01Diplomsko delo/naloga154837sl