Κλιμακούμενη και Συνδυαστική Μάθηση για Μεγάλα Δεδομένα

Περίληψη

Η αλλαγή της δεκαετίας έχει χαρακτηρίσει την κοινωνία και την ερευνητική κοινότητα της πληροφορικής με έναν «κατακλυσμό δεδομένων». Καθώς αυξάνεται ο αριθμός των έξυπνων, υψηλής ακρίβειας και με δυνατότητα σύνδεσης στο Διαδίκτυο συσκευών, αυξάνεται αντίστοιχα και ο όγκος των δεδομένων που παράγονται και συλλέγονται. Παρόλο που αυτή η τεράστια ποσότητα δεδομένων έχει τη δυνατότητα να επιτρέψει ποιοτική εξαγωγή συμπερασμάτων και εξόρυξη πληροφορίας, εισάγει πληθώρα προκλήσεων στην επεξεργασία και ανάλυση προτύπων, καθώς οι υπάρχουσες μέθοδοι στατιστικής συμπερασματολογίας και μηχανικής μάθησης δεν κλιμακώνονται απαραίτητα αποτελεσματικά με τον αριθμό και τη διαστασιμότητα των δεδομένων. Πέρα από τις προκλήσεις της κλιμακωσιμότητας, τα συλλεγόμενα δεδομένα είναι συχνά θορυβώδη, δυναμικά, μολυσμένα με ακραίες τιμές ή αλλοιωμένα με στόχο την παρεμπόδιση της διαδικασίας συμπερασμού. Επιπλέον, πολλές προσεγγίσεις της μηχανικής μάθησης έχουν αποδειχθεί ευάλωτες σε επιθέσεις. Παράλληλα, το κόστ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The turn of the decade has trademarked society and computing research with a ``data deluge.'' As the number of smart, highly accurate and Internet-capable devices increases, so does the amount of data that is generated and collected. While this sheer amount of data has the potential to enable high quality inference, and mining of information, it introduces numerous challenges in the processing and pattern analysis, since available statistical inference and machine learning approaches do not necessarily scale well with the number of data and their dimensionality. In addition to the challenges related to scalability, data gathered are often noisy, dynamic, contaminated by outliers or corrupted to specifically inhibit the inference task. Moreover, many machine learning approaches have been shown to be susceptible to adversarial attacks. At the same time, the cost of cloud and distributed computing is rapidly declining. Therefore, there is a pressing need for statistical inference and mach ...
περισσότερα
Η διατριβή αυτή δεν είναι ακόμα διαθέσιμη ηλεκτρονικά
DOI
10.12681/eadd/59671
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/59671
ND
59671
Εναλλακτικός τίτλος
Scalable and Ensemble Learning for Big Data
Συγγραφέας
Τραγανίτης, Παναγιώτης (Πατρώνυμο: Απόστολος)
Ημερομηνία
2019
Ίδρυμα
University of Minnesota
Εξεταστική επιτροπή
Giannakis Georgios
Karypis George
Kaveh Mostafa
Akcakaya Mehmet
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Μηχανική και συστήματα επικοινωνιών, Τηλεπικοινωνίες
Λέξεις-κλειδιά
Μεγάλα δεδομένα (BigData); Αλγόριθμοι ομαδοποίησης; Μάθηση μηχανής; Μη εποπτευόμενη μάθηση; Αναγνώριση υποχώρου; Συνδυαστική μάθηση
Χώρα
Η.Π.Α.
Γλώσσα
Αγγλικά
Άλλα στοιχεία
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.