Τεχνικές μηχανικής μάθησης για αντίστροφα
προβλήματα

Ρισσάκη, Αγάπη Μαρία; Rissaki, Agapi Maria

dc.contributor.author	Ρισσάκη, Αγάπη Μαρία	el
dc.contributor.author	Rissaki, Agapi Maria	en
dc.date.accessioned	2020-10-09T12:30:42Z
dc.date.available	2020-10-09T12:30:42Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51363
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19061
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
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	Γενετικά μοντέλα	el
dc.subject	Αντιστροφή	el
dc.subject	Αστρονομικά δεδομένα	el
dc.subject	Διόρθωση σημάτων	el
dc.subject	Artificial neural networks	en
dc.subject	Generative adversarial networks	en
dc.subject	Generative latent optimization	en
dc.subject	Inversion	en
dc.subject	Error guarantees	en
dc.title	Τεχνικές μηχανικής μάθησης για αντίστροφα προβλήματα	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Αλγόριθμοι	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-06-29
heal.abstract	Μελετάμε την επίλυση αντίστροφων προβλημάτων σε μία οικογένεια μονοδιάστατων αστρονομικών σημάτων που ονομάζονται Spectral Energy Distributions (SEDs). Γενικώς, αντίστροφα προβλήματα ονομάζουμε εκείνα στα οποία στοχεύουμε στην ανακατασκευή ή «διόρθωση» σημάτων από ελλιπή ή/και θορυβώδη πληροφορία. Τέτοια προβλήματα έχουν μελετηθεί εκτενώς στην βιβλιογραφία αλλά σχεδόν αποκλειστικά για σήματα εικόνων, τα οποία παρουσιάζουν βολικές ιδιότητες (π.χ. τοπικότητα). Οι μέθοδοι που μας αφορούν περιλαμβάνουν είτε κυρτή βελτιστοποίηση με δομικούς περιορισμούς είτε τεχνικές μηχανικής μάθησης με νευρωνικά δίκτυα, και πιο συγκεκριμένα γενετικά μοντέλα (π.χ. Generative Adversarial Networks ή GANs). Η βασική μας συνεισφορά συνίσταται στην επέκταση ορισμένων εκ των μεθόδων που περιλαμβάνουν μηχανική μάθηση με νευρωνικά δίκτυα για την περίπτωση των σημάτων SEDs. Πιο συγκεκριμένα, πραγματοποιούμε προτυποποίηση των μεθόδων που κάνουν χρήση γενετικών μοντέλων σε SEDs, ενώ διαχειριζόμαστε προβλήματα που αφορούν το robustness των μεθόδων καθώς και την κατασκευή και αξιολόγηση των ίδιων των γενετικών μοντέλων.	el
heal.abstract	We study inverse problems for a family of 1-dimensional astronomical data, namely Spectral Energy Distributions (SEDs). In general, inverse problems are the ones where our goal is to reconstruct or correct a signal given an incomplete and/or noisy version. Such problems have been studied thoroughly almost exclusively for images, which possess useful properties (e.g. locality). We focus on methods which involve either convex optimization with structural constraints or machine learning techniques with artificial neural networks, in particular generative models (e.g Generative Adversarial Networks ή GANs). Our main contribution is the extension of the machine learning methods for inverse problems which utilize neural networks for the family of SED signals. More specifically, we focus on prototyping the methods that involve generative models for the particular case of SEDs. Additionally, we tackle challenges regarding the robustness of those methods as well as the construction and evaluation of the required generative models.	en
heal.advisorName	Φωτάκης, Δημήτριος	el
heal.committeeMemberName	Παγουρτζής, Αριστείδης	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	83 σ.	el
heal.fullTextAvailability	false