Student pracoval aktivně s odbornou literaturou a samostatně vyhledával relevantní zdroje z oblasti Neural Cellular Automata, grafových neuronových sítí a hierarchických modelů. V práci jsou využity jak základní teoretické materiály, tak současné výzkumné články vztahující se k řešené problematice.

Literární rešerše je zpracována přehledně a poskytuje vhodný teoretický základ pro experimentální část práce.

Práce byla řešena průběžně a její jednotlivé části byly konzultovány během semestru. Finální verze byla dokončena v odpovídajícím termínu.

Technická zpráva je logicky strukturovaná a rozdělena do kapitol, které se postupně věnují celulárním automatům, neuronovým sítím a jejich propojení, specifikaci způsobu jejich porovnání a vyhodnocení, implementaci a nakonec experimentálnímu vyhodnocení.

Teoretická část práce je zpracována podrobně, pro lepší pochopení čtenářem by však bylo vhodné některé složitější koncepty reprezentovat i pomocí vhodných schémat.

Kapitola 3, věnovaná definici zkoumaných jevů v NCA, je svým rozsahem kratší (3 strany), ale přesto zvládá obsáhnout potřebné informace.

Kapitola 4 „Implementace“ detailně popisuje implementaci jednotlivých NCA včetně prostředí pro jejich vyhodnocení. Místy však prezentuje další teoretické informace (např. definice ztrátových funkcí) či již prezentuje výsledky některých experimentů, které by měly být umístěny až v následující kapitole.

Výsledky experimentů v kapitole 7 jsou prezentovány vizuálně i pomocí numerických hodnot a jsou řádně popsány.

Student v rámci své práce naimplementoval NCA, GNCA a HNCA a provedl jejich experimentální vyhodnocení na sadě sedmi obrázků. Implementace je provedena v jazyce Python. Kód je logicky členěn, avšak komentáře jsou spíše skromné.

Experimenty se postupně věnují trénování jednotlivých variant NCA na zvolených obrázcích, schopnosti dané obrázky opětovně vygenerovat, schopnosti udržet odpovídající obrázky po větší počet iterací, schopnosti regenerovat obrázky ze tří různých typů poškození a nakonec schopnosti pracovat s omezenými parametry.

Parametry jednotlivých experimentů jsou v technické zprávě jasně uvedeny, včetně nastavení jednotlivých variant tak, aby měly přibližně stejný počet trénovatelných parametrů. Vzhledem k tomu, že mají jednotlivé varianty ve výsledku značně odlišný čas potřebný k natrénování (např. u obrázku o velikosti 40 × 40 pixelů přibližně 230 s pro NCA a 980 s pro GNCA), lze diskutovat, zda by neměly být nastaveny i s ohledem na toto kritérium. Za problematičtější však považuji nastavení počtu nezávislých běhů pro každou testovanou kombinaci metody a obrázku na pouhé 4, případně 5 pro větší velikost obrázku. Jelikož se jedná ze své podstaty o stochastické algoritmy, kvalitní vyhodnocení by ideálně vyžadovalo alespoň přibližně 30 nezávislých běhů.

Vyhodnocení provedených experimentů je nicméně zpracováno kvalitně, a to za využití konvergenčních křivek, krabicových grafů, heatmap i tabulek s důležitými hodnotami. Práce také obsahuje řadu obrázků ukazujících vývoj a výsledky jednotlivých variant na zvolených obrázcích. Výsledky jsou řádně komentovány a ukazují silné i slabé stránky jednotlivých variant NCA. Vyhodnocení však bohužel postrádá statistické testy, které by jednoznačně potvrdily dosažené výsledky.

Evaluation level: zadání splněno

Zadání bylo splněno.

Seznam použité literatury čítá 44 vhodně zvolených položek (vědecké články a odbornou literaturu), které jsou správně citovány.