Generativ AI för datakompression och transmission

Mål

Efter att ha avslutat kursen bör studenten kunna:

• förklara de teoretiska grunderna för djup generativ modellering, inklusive metoder för att modellera en sannolikhetstäthetsfunktion, nätverksstruktur, förlustfunktion och träningsrutiner;
• implementera och träna generativa AI-modeller för att generera ny data, och tillämpa dessa modeller i ett system för datakompression och transmission;
• analysera och utvärdera effektiviteten av en lösning baserad på generativa modelleringstekniker för datakompression och transmission;
• reflektera över konsekvenser och etiska överväganden av att använda generativa AI-verktyg.

Mål 1, 3 och 4 uppfylls genom föreläsningarna och handledningarna, och bedöms via den skriftliga tentamen. Mål 2 och 3 uppfylls av labbsessioner, och bedöms via labbrapporter. Mål 4 uppfylls ytterligare av kamratbedömning.

Innehåll

Denna kurs ger en introduktion till generativa modeller, deras tillämpningar för datakompression och transmission, samt deras konsekvenser och etiska överväganden. Detta inkluderar: introduktion till sannolikhetsbaserad generativ modellering; generativa modeller (inklusive variational autoencoders, generativa motståndarnätverk, diffusionsmodeller, flödesbaserade modeller, energibaserade modeller, transformatorer); ramverk och tekniker för datakompression och transmission baserad på generativ AI, inklusive neural kompression, avvägning mellan takt, distorsion och perception, latent kodning, gemensam käll- och kanalkodning; integritet, säkerhet och etiska överväganden kring generativ AI.