Ανίχνευση ανωμαλιών σε χρονικά δεδομένα με εφαρμογές σε κοινωνικά δίκτυα και υπηρεσίες υγείας

Περίληψη

Σήμερα, οι διαδικτυακές υπηρεσίες και εφαρμογές είναι πανταχού παρούσες και ο όγκος των δεδομένων που παράγονται και συλλέγονται είναι τεράστιος. Τα δεδομένα θεωρούνται ως μια ισχυρή πρώτη ύλη που μπορεί να επηρεάσει τις διεπιστημονικές ερευνητικές προσπάθειες, κυβερνητικές και επιχειρηματικές επιδόσεις. Αναλύοντας τα δεδομένα, κερδίζουμε γνώση και κατανόηση. Ο εντοπισμός ασυνήθιστων μοτίβων στα δεδομένα όχι μόνο βοηθά στην πρόληψη επικίνδυνων καταστάσεων αλλά και παρακολουθεί τις αλλαγές στις τάσεις όσων αναλύονται. Η διαδικασία αναγνώρισης ασυνήθιστης ή ανώμαλης συμπεριφοράς ονομάζεται ανίχνευση ανωμαλιών. Σε αυτή τη διατριβή, προτείνουμε νέους αλγόριθμους και εργαλεία για ανίχνευση ανωμαλιών με εφαρμογές σε διάφορους τομείς: (1) μέσα κοινωνικής δικτύωσης, (2) πηγές ειδήσεων, και (3) υγειονομική περίθαλψη. Οι πλατφόρμες κοινωνικών μέσων είναι μια πολύτιμη πηγή πληροφοριών. Χρειαζόμαστε τεχνικές που είναι πιο εκφραστικές όσον αφορά τα συμπεράσματα της ανάλυσης και που μας επιτρέπουν ν ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Nowadays, online services and applications are omnipresent, and the amount of data that is being produced and collected is enormous. Data is presumed as a powerful raw material that can impact multidisciplinary research endeavors, government and business performance. By analyzing data, we gain knowledge and understanding. Detecting unusual data patterns not only helps in preventing hazardous situations but also tracks the changes in the trends of whatever is being analyzed. The process of identifying unusual or anomalous behavior is called anomaly detection. In this dissertation, we build novel algorithms and tools for anomaly detection with applications in various domains; (1) social media, (2) news sources, and (3) healthcare. Social media platforms are a valuable source of information for those that can analyze it. We need techniques that are more expressive in terms of the returned insights, and that allow us to better understand the data at hand. We define the problem of event det ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/48710
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/48710
ND
48710
Εναλλακτικός τίτλος
Anomaly detection on temporal data with applications to social networks and healthcare
Συγγραφέας
Σαραβάνου, Αντωνία του Δημήτριος
Ημερομηνία
2020
Ίδρυμα
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών (ΕΚΠΑ). Σχολή Θετικών Επιστημών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Εξεταστική επιτροπή
Γουνόπουλος Δημήτριος
Καλογεράκη Βασιλική
Σμαραγδάκης Ιωάννης
Εμίρης Ιωάννης
Κατάκης Ιωάννης
Κουμπαράκης Μανόλης
Τερζή Εβημαρία
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική
Λέξεις-κλειδιά
Εξόρυξη δεδομένων; Ανίχνευση ανωμαλιών; Μέσα κοινωνικής δικτύωσης
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
152 σ., εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.