Browse
Recent Submissions
- ItemAnalýza tvaru nízkoúrovňových programů se složitými datovými strukturami(Vysoké učení technické v Brně. Fakulta informačních technologií, ) Šoková, Veronika; Vojnar, Tomáš; Sighireanu, Mihaela; Kofroň, JanTato disertační práce se zaměřuje na analýzu programů se složitými dynamickými datovými strukturami a operacemi s ukazateli. V první části se zaměřujeme na analýzu tvaru uzavřených programů. Zejména vylepšujeme přístup, založený na symbolických paměťových grafech pro analýzu uzavřených programů manipulujících s hromadou, o kombinaci analýzy tvaru s analýzou neukazatelových dat. Vylepšujeme ho i o podporu alokace na zásobníku, realokace haldy a lepší práci s intervalovými omezeními. Dále práce zkoumá potenciál využití této spolehlivé (sound) analýzy pro vyhledávání chyb. Uvedené postupy byly implementovány v nástroji Predator a v Symbiotic frameworku a soutěžily s dalšími nejmodernějšími nástroji v mezinárodní soutěži Software Verification Competition (SV-COMP), kde dosáhly vynikajících výsledků. Ve druhé části se zaměřujeme na analýzu tvaru otevřených programů. Rozšířili jsme již existující bi-abdukční přístup k analýze tvaru, tak abychom si dokázal poradit s programy manipulujícími se seznamy, které používají nízkoúrovňové paměťové operace často přítomné v systémovém kódu. Vytvořili jsme novou nízkoúrovňovou separační logiku, její paměťový model, jazyk, syntaxi a sémantiku a ukázali jsme, jak byl kvůli tomu změněn bi-abdukční algoritmus. Náš přístup jsme implementovali do prototypového nástroje s názvem Broom. Nástroj jsme spouštěli nad vybranými fragmenty kódu z reálného softwaru.
- ItemOff-policy vyhodnocovanie a učenie v adaptívnych systémoch(Vysoké učení technické v Brně. Fakulta informačních technologií, ) Čief, Matej; Kompan, Michal; Larson, Martha; Kordík, PavelOffline učenie a vyhodnocovanie pre kontextové, mnohoruké bandit algoritmy je vysoko požadované riešenie na zlepšenie adaptívnych webových systémov, pretože proces môže byť spustený \emph{offline}, teda bez priamej interakcie s používateľmi, čím sa zabráni nasadení suboptimálnych algoritmov. Napriek mnohým výhodám offline učenia a vyhodnocovania, viacero problémov bráni širšej adopcii v praxi. Neexistuje žiadna metóda, ktorá by na základe dát vybrala najlepší estimátor a vedela automaticky vyladiť hyper-parametere estimátora. Existujúce algoritmy často nie sú škálovateľné na veľké počty akcií, čo je bežný prípad v dnešných e-commerce odporúčačoch. V tejto práci sa snažíme vyriešiť dva praktické problémy pre každú oblasť, off-policy vyhodnocovanie a off-policy učenie. Pre off-policy vyhodnocovanie: (1) Navrhujeme nový algoritmus založený na krížovej validácii, ktorý umožní výber najlepšieho estimátora a vyladenie jeho hyper-parametrov napriek tomu, že v offline vyhodnocovaní nemáme prístup k žiadnej validačnej vzorke. (2) Offline vyhodnocovanie s veľkým množstvom akcií pomocou návrhu nového prístupu, ktorý sa učí nízko-dimenzionálne reprezentácie akcií a tým pádom sa lepšie škáluje z narastajucím počtom akcií. Pri off-policy učení sa adresujeme dva problémy, ktoré vznikajú kvôli nepresnému modelu: (1) Riešime nadmernú sebadôveru použitím pesimistických odhadov v offline učení pre kombinatorické priestory akcií a zároveň dosahujeme priaznivú výpočtovú zložitosť. (2) Reformulujeme populárnu definíciu odmeny, ktorá sa často používa pre doladenie jazykových modelov, aby odppovedali podľa ľudských preferencií, vďaka ktorej vieme predísť hackovaniu odmeny v procese učenia.
- ItemCitlivosť učenia s malým množstvom anotovaných dát na efekty náhodnosti(Vysoké učení technické v Brně. Fakulta informačních technologií, ) Pecher, Branislav; Bieliková, Mária; Tonelli, Sara; Paralič, JánCieľom učenia s malým množstvom anotovaných dát, ako je prompting, učenie v kontexte alebo učenie doladením, je efektívne natrénovať model pri použití iba malého počtu označených vzoriek. Avšak tieto prístupy sú pomerne citlivé na efekty náhodnosti, čo výrazne ovplyvňuje ich porovnávanie, celkové využitie a reprodukovateľnosť výskumu. V tejto dizertačnej práci sa zameriavame na lepšie porozumenie a riešenie citlivosti na efekty náhodnosti. Vykonávame rozsiahlu analýzu 415 výskumných prác, ktoré sa zaoberajú citlivosťou na účinky náhodnosti naprieč rôznymi pohľadmi, od rozpoznania problému cez skúmanie citlivosti a určenie jej zdroja až po zmiernenie účinkov náhodnosti a rozšírenie porovnaní úspešnosti modelov tak, aby brali túto citlivosť do úvahy. Na základe tejto analýzy sa zameriavame na riešenie identifikovaných otvorených problémov. Ako prvé porovnávame rôzne prístupy k učeniu s malým množstvom anotovaných dát z hľadiska ako veľa anotovaných dát potrebujú a ich citlivosti na efekty náhodnosti. Následne navrhujeme novú stratégiu skúmania náhodnosti, ktorá sa rieši problémom interakcií a protichodných zistení. Túto stratégiu skúmania náhodností následne využívame aby sme poskytli detailnú analýzu rôznych zdrojov náhodnosti naprieč rôznymi prístupmi, modelmi a dátovými sadami. Nakoniec navrhujeme dve nové stratégie zmierňovania efektov náhodnosti, jednu pre citlivosť na výber vzoriek v prípade učenia s niekoľkými príkladmi, a druhú pre citlivosť pri optimalizácii v učení doladením. Celkovo prinášame nové poznatky o predtým nedostatočne preskúmaných javoch a zlepšujeme oblasť riešenia citlivosti učenia s malým množstvom anotovaných dát na efekty náhodnosti.
- ItemModelování chování pro výcvik taktických pilotů(Vysoké učení technické v Brně. Fakulta informačních technologií, ) Hanák, Jiří; Chudý, Peter; Holzapfel, Florian; Stütz, PeterAutor v rámci práce prezentuje inovativní přístup modelování autentického lidského chování prostřednictvím kognitivních agentů pro využití v syntetickém taktickém výcviku. Tento přístup zahrnuje modely distribuce vizuální pozornosti, s jejichž pomocí jsou extrahovány informace z palubní desky. Tyto informace jsou spolu s rozklíčovanými informacemi z hlasových zpráv ukládány v pracovní paměti, ve které jsou také postupně zapomínány. S využitím vnímaných informací je ohodnocena aktuální situace pomocí náhradních prediktivních modelů vytvořených technikami polynomiální expanze chaosu. Uvedené informace posléze vstupují do rozhodovacího procesu modelovaném stromem chování, který reprezentuje hierarchickou a dobře čitelnou modulární strukturu. Syntetizovaná rozhodnutí agenta se propagují do taktického autopilota tvořeného nelineárním prediktivním řízením, které napodobuje provádění manévrů lidskými piloty. Dílčí rozhodnutí vstupují také do systémů řízení letadla a jeho komponent, a do syntezátoru řeči pro komunikaci s ostatními členy týmu. Závěr práce je zaměřen na validaci klíčových modelů, vyhodnocení vlivů autentického chování vůči normativnímu, a ověření uplatnitelnosti prezentovaného kognitivního agenta v rámci taktického pilotního výcviku doménovým expertem.