At sætte deltagerne i stand til at følge den nyeste udvikling indenfor generative modeller, inklusiv håndtering af identificerbarhed og ikke trivielle anvendelsesdomæner så som grafer. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• forklare i detaljer hvordan dybe generative modeler virker.
• operationalisere og implementere dybe generative modeler.
• sammenligne og adskille de forskellige modelvalg bag forskellige dybe generative modeler.
• afgøre hvilke aspekter af en statistisk model der kan identificeres.
• operationalisere differentialgeometriske representationer i latent variabel modeler.
• estimere identificerbare fordelinger fra observationel data givet i en lært repræsentation.
• operationalisere og implementer grafneurale netværk
• ræsonnere omkring fundamentet for grafneurale netværk.

Kurset består af 3 moduler der hver består af 2-3 ugers forelæsninger efterfulgt af 2 ugers projektarbejde indenfor et avanceret emne. Emnerne er dybe generative modeler, geometriske repræsentationer og grafneurale netværk. Fokus er på den bagvedliggende teori samt de matematiske modeller. Deep Generative Modeling. Jakub M. Tomczak.

Differential geometry for generative modeling. Søren Hauberg.

Graph Representation Learning. William L. Hamilton. Dette kursus er et videregående kurser indenfor machine learning og del af fokusområdet Machine Learning and Signal Processing under Master of Mathematical Modelling and Computing uddannelsen. 04. december, 2023