Δυναμική κατηγοριοποίηση μεγάλων δεδομένων κρίσεων με τη χρήση συνελικτικών νευρωνικών δικτύων

Ανούστης, Σταμάτιος; Anoustis, Stamatios

dc.contributor.author	Ανούστης, Σταμάτιος	el
dc.contributor.author	Anoustis, Stamatios	en
dc.date.accessioned	2019-11-26T10:02:32Z
dc.date.available	2019-11-26T10:02:32Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49485
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17183
dc.rights	Default License
dc.subject	Twitter	en
dc.subject	Μεγάλα δεδομένα	el
dc.subject	Κρίση	el
dc.subject	Διαχείριση καταστροφών	el
dc.subject	Επίγνωση κατάστασης	el
dc.subject	Βαθέα νευρωνικά δίκτυα	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Ταξινόμηση κειμένου	el
dc.subject	Big data	en
dc.subject	Situational awareness	en
dc.subject	Deep neural networks	en
dc.subject	Crisis	en
dc.subject	Disaster management	en
dc.subject	Supervised learning	en
dc.subject	Text classification	en
dc.title	Δυναμική κατηγοριοποίηση μεγάλων δεδομένων κρίσεων με τη χρήση συνελικτικών νευρωνικών δικτύων	el
dc.title	Dynamic categorization of big crisis data with deep convolutional neural networks	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Disaster informatics	en
heal.classification	Νευρωνικά δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-07-11
heal.abstract	Μεγάλα δεδομένα παράγονται κατά την εμφάνιση απροσδόκητων καταστροφικών γεγονότων, και αυτό θέτει νέες προκλήσεις στην χρονικά καθοριστική ανάλυση δεδομένων και στις τεχνικές επιβλεπόμενης μάθησης. Τα κοινωνικά δίκτυα αναγνωρίζονται όλο και συχνότερα ως μέσα αρωγής των δράσεων διάσωσης και αποκατάστασης συνεισφέροντας στην επίγνωση κατάστασης κατά τη διάρκεια φαινομένων μαζικής εκτάκτου ανάγκης. Είναι κοινή πρακτική η χρήση μεθόδων επιβλεπόμενης μάθησης για να ερμηνευτούν μεγάλα σύνολα δεδομένων ως προς τους διάφορους τύπους πληροφοριών που διακινούνται μέσω σύντομων μηνυμάτων υπηρεσιών μικροϊστολογίου τύπου Twitter. Υπάρχει ενδιαφέρον από πλευράς κυβερνητικών υπηρεσιών, ΜΚΟ, οργανισμών δημόσιας υγίειας και ανθρωπιστικών οργανώσεων να ερευνηθεί η δυναμική των κοινωνικών δικτύων στην παροχή ανθρωπιστικής βοήθειας μέσω ενός δεδομενο-κεντρικού τρόπου κατά διαχείριση του πληροφοριακού φόρτου και της καλύτερης επιβεβαίωσης και διαλογής των πληροφοριών βάσει προτεραιοτήτων για τους σκοπούς ενός εκάστου. Στο πλαίσιο της κατηγοριοποίησης σύντομων μηνυμάτων κρίσεων, η εφαρμογή νευρωνικών ταξινομητών είναι καινοτόμα. Σκοπός της διπλωματικής εργασίας είναι η ανάπτυξη αξιόπιστων και αποδότικων, σε ότι αφορά τη μείωση του κόστους και του χρόνου επεξεργασίας, μεθόδων ταξινόμησης μεγάλων δεδομένων κρίσεων, βασιζόμενων σε βαθέα νευρωνικά δίκτυα . Προτείνουμε δύο αρχιτεκτονικές βαθέων νευρωνικών δικτύων, που ανήκουν στη ομάδα των συνελικτικών εμπροσθόδρομων, για το έργο της κατηγοριοποίησης των μικρο-κειμενικών δεδομένων κρίσεων. Απεφεύχθη κάθε προσπάθεια εργο-εξειδικευμένης μηχανικής, τόσο στην προεπεξεργασία των δεδομένων όσο και στη σχεδίαση χαρακτηριστικών, καθώς επίσης αποφεύχθηκε και η χρήση εξωτερικών προ-επιμελημένων βάσεων γνώσης. Αξιοποιώντας τα παραπάνω μοντέλα διεξήχθη πειραματική μελέτη έναντι πραγματικών δεδομένων από παλαιότερες καταστροφές. Ελλείψει ικανού αριθμού επισημειώσεων, συμπεριελήφθη μεταφορά γνώσης από ιστορικά δεδομένα προσαρμοσμένα σε κάθε τύπο καταστροφής ξεχωριστά. Το συμπερασμά αυτής της εργασίας είναι πως τα συνελικτικά νευρωνικά δίκτυα μπορούν να αντιμετωπίσουν αποτελεσματικά το πρόβλημα της ταχείας ανάλυσης μεγάλων δεδομένων κρίσεων και είναι πράγματι μια εφικτή και πολλά υποσχόμενη λύση.	el
heal.abstract	Big data are produced on the onset of unexpected disastrous events which brings challenges in time-critical data analysis and supervised learning techniques. Social media is increasingly acknowledged as a conduit to alleviate the rescue and restore actions and to raise situational awareness during mass emergence events. A common practice is to use supervised learning methods for making sense out of voluminous data-sets for the various types of information disseminated through short messages of micro-blogging platforms such as Twitter. There is an interest from government agencies, NGO’s, public health sectors and humanitarian organizations in investigating the potential of social media for humanitarian aid in a data-driven manner that is handling the overload, better validating and prioritizing the most tactical of the messages for each one’s purpose. Supervised predictive models based on deep neural networks have been recently used in various applications achieving remarkable results, among others, in object and speech recognition. Despite these recent advancements, in the context of crisis-related data categorization, the application of neural network based classifiers is novel. This thesis mainly focuses on developing neural network based classifiers which will enable a reliable and effective, as regards reducing the cost and processing time, classification of big crisis data. We proposed two unified deep neural network architectures, belonging to the class of convolutional feed-forward networks, for the task of short-text crisis data categorization. We intentionally avoid task-specific engineering, in data pre-processing and feature design, as well as the usage of hand-coded external knowledge resources. By utilizing the aforementioned models, an experimental study was conducted against real data from past disasters. Due to the limited amount of labeled data, some form of transfer learning has been involved by utilizing data-sets from past events adapted for each specific type of crisis. The overall conclusion of this thesis is that convolutional neural networks can effectively address the problem of real-time analysis of crisis-related data and it is indeed a viable and a very promising solution.	en
heal.advisorName	Βαρβαρίγου, Θεοδώρα	el
heal.advisorName	Varvarigou, Theodora	en
heal.committeeMemberName	Βαρβαρίγος, Εμμανουήλ	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Βαρβαρίγου, Θεοδώρα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	99 σ.
heal.fullTextAvailability	true