Student využil doporučenou literaturu a další relevantní zdroje si samostatně dohledal.

Práce byla dokončena ve výrazném předstihu před odevzdáním, její obsah jsem připomínkoval a student mé připomínky následně zapracoval.

Myslím si, že by textu práce prospělo lepší zamyšlení nad tím, jaké informace potřebuje čtenář znát, aby mohl pochopit navržené řešení. V kap. 3 jsou ukázky konkrétních řešení problému generování hesel propleteny se stručnými popisy některých konceptů strojového učení, které ale nejsou samonosné, a přitom se pak při popisu vlastního řešení předpokládá jejich znalost. Tyto koncepty by měly být podrobněji popsány v kap. 4.

Podstatnou částí návrhu je např. enkodér na bázi rekurentní sítě BiGRU – princip RNN a sítí GRU je však jen stručně nastíněn v kap. 3, síť BiGRU je pak popsána v podstatě jen jednou větou v sekci 5.5.1, kde je také jen vágně a hlavně nepodloženě popsán důvod použití této modifikace. Dále např. v kap. 4.2 není jasné, kde začíná popis algoritmu REINFORCE.

Samotný návrh architektury se jeví být solidním a smysluplným, což pan kolega podkládá řadou testů. Implementace je s vhodnou mírou detailu popsána v textu práce a zdrojový kód je dobře okomentován. Vzhledem k rozsahu řešení však ve validaci výsledků a ve vyvozených závěrech vidím několik mezer:

• Autor nevěnuje moc pozornosti popisu použitých datových sad a potenciálním dopadům na trénování a vyhodnocení. Datové sady po (nepříliš dobře zdůvodněné) filtraci obsahovaly pouze hesla s ASCII znaky o délce 4–15 znaků, což autor v závěru nereflektuje.
• Autor tvrdí, že nástroj „umožňuje plnohodnotné řízené generování“, ale přitom sám ukazuje, že jeho řešení dosahuje jen 86,6% přesnosti dodržení struktury s „průměrnou odchylkou o méně než tři znaky“ (z max. 15).
• Autor ukazuje, že zapojení adversariální sítě při jím zvolených parametrech vede na zvýšení úspěšnosti útoku ze 4,29 % na 4,78 % při zvýšení podílu duplikátů z 3,56 % na 5,33 %. To otvírá (nediskutovanou) otázku, zda takové zlepšení „stojí za to“. Z textu práce zároveň není zřejmé, jak důležité skutečně je kritérium podílu duplikátů.

Evaluation level: assignment fulfilled

Pan kolega zadání uchopil důkladně, pro řešení zadaného problému navrhl vlastní architekturu spojující různé typy modelů strojového učení, kterou vcelku pečlivě otestoval. Práce tedy požadavky zadání splňuje.

Výběr literatury je veskrze vhodný, snad jen při popisu variačních autoenkodérů, které tvoří jádro práce, by bylo vhodné citovat z kvalitnějších zdrojů, než je [3]. Citování nepovažuji za zcela zvládnuté. V 1. kapitole citace chybí úplně. Ve 2. kapitole by na str. 8 byla vhodná přímá citace příslušných právních norem, dále se zde vyskytují kvalifikátory jako „nejzásadnější“, „nejčastěji se používají“, „nejpopulárnější“, které nejsou podložené. Vhodné zdroje chybí taky v posledních dvou odstavcích kap. 3.5. Práce je postavena na různých datových sadách hesel, na které ale autor odkazuje pouze z poznámky pod čarou, což zde nepovažuji za vhodné.