Μάθηση βαθιών μοντέλων παραγωγής δεδομένων για τη βελτιστοποίηση της ταξινόμησης σημάτων με μη ισορροπημένη κατανομή κλάσεων

Περίληψη

Η αναγνώριση των διαφορετικών τύπων νευρωνικών κυττάρων (νευρώνων) μέσω της ακριβούς ταξινόμηση τους είναι μια απαραίτητη διαδικασία για την κατανόηση της συμβολής των συγκεκριμένων κυττάρων στις λειτουργίες του εγκεφάλου. Παρ’ όλα αυτά η αυτοματοποιημένη και αξιόπιστη ταξινόμηση τους παραμένει μια πρόκληση εξαιτίας κυρίως της βιολογικής τους πολυπλοκότητας. Ένα άλλο σημαντικό ζήτημα με την ταξινόμηση των νευρωνικών κυττάρων είναι η εγγενής μη ισορροπημένη κατανομή τους στον εγκέφαλο, η οποία επηρεάζει αρνητικά τη διαδικασία εκμάθησης των περισσότερων αλγορίθμων ταξινόμησης, το οποίο έχει ως αποτέλεσμα ασταθείς προβλέψεις και χαμηλή απόδοση. Ωστόσο, το πρόβλημα της μη ισορροπημένης ταξινόμησης δεν επηρεάζει μόνο την ταξινόμηση των νευρωνικών κυττάρων, καθώς τα επισημασμένα δεδομένα σε πολλές πραγματικές εφαρμογές είναι περιορισμένα με υψηλές αναλογίες ανισορροπίας μεταξύ των κλάσεων. Έτσι, σε αυτή τη διατριβή εστιάζουμε τόσο στη δημιουργία μιας αυτοματοποιημένης μεθόδου ταξινόμησης νευ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Accurately classifying different types of neuronal cells is crucial for comprehending their impact on brain functions. However, due to their biological complexity, automated and reliable classification of neuronal cell types remains a challenging task. Additionally, the inherent imbalanced distribution of neuronal cells in the brain poses another significant hurdle in the classification process. This can lead to unstable predictions and poor performance of most classification algorithms. The problem of imbalanced classification is not limited to neuronal cell-type classification alone, as it is a common issue in many real-world applications with limited labeled data and high class imbalance ratios, which results in a significant decrease in performance. Therefore, this dissertation aims to address both the challenge of automated neuronal cell-type classification and the design of robust generative models that can tackle the imbalanced classification problem by generating synthetic data ...
περισσότερα
Η διατριβή είναι δεσμευμένη από τον συγγραφέα  (μέχρι και: 3/2025)
DOI
10.12681/eadd/54391
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/54391
ND
54391
Εναλλακτικός τίτλος
Learning deep generative models for the enhancement of imbalanced signal classification
Συγγραφέας
Τρουλλινού, Ειρήνη του Ιωάννη
Ημερομηνία
2023
Ίδρυμα
Πανεπιστήμιο Κρήτης. Σχολή Θετικών και Τεχνολογικών Επιστημών. Τμήμα Επιστήμης Υπολογιστών
Εξεταστική επιτροπή
Τσακαλίδης Παναγιώτης
Ποϊράζη Παναγιώτα
Παπαδοπούλη Μαρία
Τσαγκατάκης Γρηγόριος
Παπαχαριλάου Ιωάννης
Φρουδαράκης Εμμανουήλ
Τζαγκαράκης Γεώργιος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Λέξεις-κλειδιά
Τεχνητά νευρωνικά δίκτυα; Δεδομένα απεικόνισης ασβεστίου; Μέθοδοι αύξησης δεδομένων; Μοντέλα παραγωγής δεδομένων; Ταξινόμηση με μη ισάριθμο πλήθος κλάσεων; Δεδομένα εικόνων; Λανθάνων χώρος; Χρονοσειρές
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.