Detailansicht
Generative models applied to hierarchical data on a sphere
Filip Sabo
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Oliver Hahn
Mitbetreuer*in
Florian List
DOI
10.25365/thesis.74303
URN
urn:nbn:at:at-ubw:1-25242.56979.854718-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Das letzte Jahrzehnt war vor allem durch die zunehmende Popularität von künstlicher Intelligenz und maschinellem Lernen gekennzeichnet. Durch diese Entwicklungen hat sich der Schwerpunkt der Wissenschaft immer mehr auf die Datenerforschung verlagert. Die überwiegende Mehrheit der Daten liegt im Euklidischen Raum, doch in vielen Forschungsbereichen sind sphärische Räume präsent. Dies bringt viele Herausforderungen mit sich, von der Diskretisierung vom Raum bis zum erfolgreichen Lernen eines maschinellen Lernmodells. Das Ziel dieser Arbeit ist die Konstruktion eines generativen adversen Netzwerks (GAN) auf der Sphäre unter Verwendung von HEALPix (Hierarchical Equal Area isoLatitude Pixelisation) als Grundlage für die Diskretisierung der Domäne auf DeepSphere, einer Architektur, die bereits die oben genannten Probleme löst. Als Anwendung betrachten wir das Beispiel, wo die Struktur des intergalaktischen Gases anhand bekannten Galaxienpositionen vorhergesagt wird. Es ist erwähnenswert, dass die Struktur des Modells auf andere ähnliche Probleme in anderen Forschungsbereichen angewendet werden kann.
Abstract
(Englisch)
The last decade has been marked by the rise in popularity of AI and machine learning. Thanks to this, science has shifted its focus more and more towards data exploration. The vast majority of data lies in the Euclidean domain, however, in many research fields, spherical domains are present. This poses many challenges ranging from discretization to successful learning of a machine learning model. The aim of this thesis is the construction of a generative adversarial network (GAN) on the sphere using HEALPix (Hierarchical Equal Area isoLatitude Pixelisation) as the basis for the discretization of the domain built on DeepSphere, an architecture which already solves aforementioned issues. As an application, we consider the example of predicting the structure of the intergalactic gas given a set of galaxies. It is worth noting that the structure of the model can be applied to any other generative modelling tasks present in other research fields.
Schlagwörter
Schlagwörter
(Deutsch)
Maschinelles Lernen Sphäre Galaxienpositionen intergalaktisches Gas GAN
Schlagwörter
(Englisch)
machine learning sphere galaxy positions intergalactic gas GAN
Autor*innen
Filip Sabo
Haupttitel (Englisch)
Generative models applied to hierarchical data on a sphere
Paralleltitel (Deutsch)
Generative Modelle angewandt auf hierarchische Daten auf einer Sphäre
Publikationsjahr
2023
Umfangsangabe
62 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Oliver Hahn
Klassifikation
54 Informatik > 54.80 Angewandte Informatik
AC Nummer
AC16946684
Utheses ID
67856
Studienkennzahl
UA | 066 | 910 | |