Modelli generativi controllabili per la sintesi di dati guidati dall'uomo e applicazioni in radioastronomia

La creatività è l'elemento dell'intelligenza umana che permette a un individuo di produrre nuovi concetti combinando le conoscenze provenienti dalle sue esperienze passate. La modellazione del comportamento della mente umana è al centro dell'intelligenza artificiale (IA) e, nell'ultimo decennio, la capacità di un modello di IA di generare nuovi dati è emersa grazie all'introduzione dei modelli generativi. Anche se non siamo vicini a riprodurre e, tanto meno, a sostituire l'intelligenza umana, questi strumenti offrono un valido aiuto nei processi creativi, facilitando compiti ripetitivi e meccanici che richiedono un basso sforzo mentale. In particolare, il loro punto di forza derive dalla possibilità di essere controllati da informazioni interpretabili dall'uomo (ad esempio, testo, immagini, disegni a mano libera). Motivati dal loro potenziale e dalle possibili applicazioni, in questa tesi studiamo come i modelli generativi controllabili possano risolvere problemi comuni in diversi casi d'uso. In primo luogo, analizziamo il task della generazione di immagini condizionate da una semantica strutturata per comprendere come un modello generativo possa apprendere i vincoli codificati nei dati e tradurli in una rappresentazione visiva. In seguito, esploriamo come diverse condizioni possano essere combinate in un unico modello per guidare il processo generativo utilizzando molteplici fonti di informazione multimodali per fornire un maggior grado di controllo all'utente. Infine, analizziamo le prestazioni dei modelli generativi quando vengono utilizzati per aumentare in modo condizionale gli insiemi di dati in un dominio specifico caratterizzato da una bassa disponibilità di dati e da informazioni sottorappresentate. In particolare, esploriamo l'applicazione di questi modelli in radioastronomia con l'obiettivo di migliorare la qualità degli approcci basati sull'apprendimento per eseguire il rilevamento delle sorgenti, un compito non banale e difficile da automatizzare. I risultati delle nostre analisi evidenziano come l'impiego di modelli generativi consenta di produrre dati di alta qualità in diversi contesti, incorporando efficacemente l'informazione condizionale nel processo di generazione e fornendo un controllo fine sui campioni sintetizzati. Il controllo dei modelli generativi è particolarmente cruciale quando si addestrano modelli di deep learning su insiemi di dati limitati, poiché consentono di estendere i dati disponibili con nuovi campioni in base alle necessità, alleviando così i problemi di scarsità di dati e di classi sbilanciate.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2023

Author dc:creator

• SORTINO, Renato

Contributors dc:contributor

• SPAMPINATO, CONCETTO

• deep-learning, generative-models, computer-vision, radio-astronomy, computer-graphics
• apprendimento-automatico, modelli-generativi, visione-artificiale, radioastronomia, computer-grafica

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/583609

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/583609