Μάθηση διατάξεων από δείγματα με θόρυβο

Καλαβάσης, Αλβέρτος; Kalavasis, Alvertos

dc.contributor.author	Καλαβάσης, Αλβέρτος
dc.contributor.author	Kalavasis, Alvertos
dc.date.accessioned	2020-01-21T08:33:37Z
dc.date.available	2020-01-21T08:33:37Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49685
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17383
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Στατιστική μάθηση	el
dc.subject	Θεωρία πιθανοτήτων	el
dc.subject	Θεωρία ψηφοφορίας	el
dc.subject	Αλγόριθμοι και πολυπλοκότητα	el
dc.subject	Machine learning	en
dc.subject	Statistical learning	en
dc.subject	Probability theory	en
dc.subject	Voting theory	en
dc.subject	Algorithms and complexity	en
dc.title	Μάθηση διατάξεων από δείγματα με θόρυβο	el
dc.title	On learning rankings from noisy samples	en
heal.type	bachelorThesis
heal.classification	Computer science	en
heal.classification	Επιστήμη υπολογιστών	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-09-19
heal.abstract	Σε αυτή την διπλωματική εργασία, μελετάμε το πρόβλημα εκμάθησης διατάξεων από δείγματα με θόρυβο. Αυτό το πεδίο στατιστικής μάθησης είναι εξαιρετικά χρήσιμο στους τομείς της εκμάθησης προτιμήσεων και της ανάκτησης πληροφοριών. Σε αυτό το πλαίσιο εργασίας υποθέτουμε ότι κάποιος λαμβάνει ανεξάρτητα δείγματα, τα οποία μοντελοποιούνται ως μεταθέσεις n αντικειμένων, που παράγονται από μια κατανομή, που αντιστοιχεί σε ένα θορυβώδες πιθανοτικό μοντέλο. Τέτοια γνωστά πιθανοτικά μοντέλα είναι το μοντέλο Mallows και το μοντέλο Plackett-Luce. ́Ετσι, θέτουμε ερωτήματα σχετικά με το πόσα δείγματα είναι απαραίτητα προκειμένου να μάθουμε τις παραμέτρους των κατανομών αυτών, το κατά πόσο είναι δυνατό να μάθουμε την ίδια την κατανομή μοντελοποιώντας το σφάλμα με διάφορες f-αποκλίσεις, όπως η TV απόσταση και η KL απόκλιση, και, τέλος, ασχολούμαστε με την έννοια του εκτιμητή μέγιστης πιθανοφάνειας. Αρχικά, παρουσιάζουμε αποτελέσματα από την εκτεταμένη ερευνητική βιβλιογραφία πάνω στο μοντέλο Mallows συνδυάζοντας μερικά κλασικά αποτελέσματα της έρευνας όπως και ορισμένα πολύ πρόσφατα. Στη συνέχεια, παρουσιάζουμε τη δική μας πρωτότυπη εργασία, όπου επιλέξαμε να μειώσουμε τις πληροφορίες που παρέχονται από τα δείγματα μας και να αντιμετωπίσουμε παρόμοια ερωτήματα, όπως εκείνα που τέθηκαν παραπάνω. Σε αυτό το πλαίσιο, εισάγουμε και μελετάμε το k-Set sampling setting για τα μοντέλα Mallows και Plackett-Luce, επεκτείνοντας τα προηγούμενα ερευνητικά αποτελέσματα. Ταυτόχρονα, εισάγουμε και ένα άλλο μοντέλο δειγματοληψίας με θόρυβο, το μοντέλο k-Gap Filling Mallows.	el
heal.abstract	In this thesis, we study the problem of learning rankings using noisy samples. This statistical learning field is extremely useful in the areas of Preference Learning and Information Retrieval. The working setting implies that one is given independent samples, which are permutations of n alternatives, generated by a distribution, that corresponds to a noisy probabilistic model. Such known probabilistic models are the Mallows Model and the Plackett-Luce Model. Having drawn the samples, one could ask questions concerning the sample complexity in order to learn the parameters of the generating distribution, the ability to learn the generating distribution itself in various f -divergence metrics, such as the TV distance and the KL divergence, and the notion of maximum likelihood estimation. At first, we present the extended work on that framework for the Mallows model combining some classical research results with some seminal work. Afterwards, we present our own work where we chose to reduce the information provided by our samples and cope to answer similar questions as the ones mentioned above. Hence, we introduce and study the k-Set sampling framework for both Mallows and Plackett-Luce models, extending the previous research results. At the same time, we introduce another novel sampling model, namely the k-Gap Filling Mallows model.	en
heal.advisorName	Φωτάκης, Δημήτριος
heal.committeeMemberName	Παγουρτζής, Αριστείδης
heal.committeeMemberName	Λουλάκης, Μιχαήλ	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	153 σ.
heal.fullTextAvailability	false