HEAL DSpace

Πειραματική αξιολόγηση αλγορίθμων εκμάθησης αποκομμένων πολυδιάστατων Γκαουσσιανών κατανομών

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

dc.contributor.author Σαντοριναίος, Χριστόδουλος el
dc.date.accessioned 2020-12-16T06:36:56Z
dc.date.available 2020-12-16T06:36:56Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/52548
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.20246
dc.rights Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα *
dc.rights.uri http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ *
dc.subject Μηχανική μάθηση el
dc.subject Πολυδιάστατη κανονική κατανομή el
dc.subject Στοχαστική κατάβαση κλίσης el
dc.subject Αποκομμένη στατιστική el
dc.title Πειραματική αξιολόγηση αλγορίθμων εκμάθησης αποκομμένων πολυδιάστατων Γκαουσσιανών κατανομών el
dc.contributor.department Εργαστήριο Λογικής και Επιστήμης Υπολογιστών el
heal.type bachelorThesis
heal.classification Computer Science el
heal.language el
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2020-11-12
heal.abstract Το πρόβλημα της εκμάθησης αποκομμένων κανονικών κατανομών έχει ιστορία τριών αιώνων. Το φαινόμενο της αποκοπής στην περίπτωση μίας d-διάστατης κανονικής κατανομής παρατηρείται όταν τα δείγματα αποκαλύπτονται μόνο εάν ανήκουν σε κάποιο σύνολο S ⊆ R d . Διαφορετικά παραμένουν κρυφά και ο λόγος τους προς τον συνολικό παραμένει άγνωστος. Συναντάται στην πράξη σε διάφορους τομείς: από την προστασία ευαίσθητων προσωπικών δεδομένων σε οικονομικές εφαρμογές μέχρι την αδυναμία καταγραφής ακραίων τιμών που εμφανίζουν τα όργανα μέτρησης πειραματικών διατάξεων. Το 2018, οι Daskalakis et al. παρουσίασαν τον πρώτο αλγόριθμο που εκτιμάει τις παραμέτρους της αποκομμένης κατανομής με αυθαίρετη ακρίβεια σε πολυωνυμικό χρόνο. Μοναδικές προϋποθέσεις η πρόσβαση μέσω μαντείου στο σύνολο S, το οποίο να έχει μη τετριμμένο μέτρο υπό την άγνωστη κατανομή. Η καινοτομία τους αφορούσε στην εισαγωγή ενός συνόλου προβολής με κατάλληλες ιδιότητες ώστε ο αλγόριθμος Στοχαστικής Κατάβασης Κλίσης(Stochastic Gradient Descent) να επιτυγχάνει (πρακτικά βέλτιστη) πολυωνυμική πολυπλοκότητα, τόσο δειγματική όσο και υπολογιστική. Στην παρούσα διπλωματική παρουσιάζουμε μία πειραματική υλοποίηση και αξιολόγηση του αλγορίθμου και ελέγχουμε εάν η πράξη συμφωνεί με την θεωρία, και έαν ναι υπό ποιες συνθήκες αυτό επιτυγχάνεται. Συγκεκριμένα, προσαρμόζοντας τον ρυθμό μάθησης του αλγορίθμου επιβεβαιώνουμε τα θεωρητικά αποτελέσματα αναφορικά με την διάσταση του προβλήματος, το μέτρο αποκοπής και την ακτίνα προβολής. Αφήνουμε ένα ανοικτό ερώτημα σχετικά με τη φύση του συνόλου αποκοπής και προτείνουμε μια ευρεστική μέθοδο που επιτυγχάνει ταχύτατη σύγκλιση στην πράξη. el
heal.advisorName Φωτάκης, Δημήτριος el
heal.committeeMemberName Παγουρτζής, Αριστείδης el
heal.committeeMemberName Παπασπύρου, Νικόλαος el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Λογικής και Επιστήμης Υπολογισμών el
heal.academicPublisherID ntua
heal.numberOfPages 77 σ. el
heal.fullTextAvailability false


Αρχεία σε αυτό το τεκμήριο

Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο:

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα Εκτός από όπου ορίζεται κάτι διαφορετικό, αυτή η άδεια περιγράφεται ως Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα