Αντιστάθμιση ακρίβειας σε κατανεμημένα συστήματα βαθέων νευρωνικών δικτύων

Τζεβαχιρίδης, Ανδρέας; Tzevachiridis, Andreas

dc.contributor.author	Τζεβαχιρίδης, Ανδρέας	el
dc.contributor.author	Tzevachiridis, Andreas	en
dc.date.accessioned	2021-11-30T11:48:24Z
dc.date.available	2021-11-30T11:48:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54117
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21815
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	Βαθιά μάθηση	el
dc.subject	Κατανεμημένη εκτέλεση	el
dc.subject	Εφαρμογή	el
dc.subject	Ταξινόμηση εικόνας	el
dc.subject	Κινητή συσκευή	el
dc.subject	Deep Learning	en
dc.subject	Distributed Inference	en
dc.subject	Application	en
dc.subject	Image classification	en
dc.subject	Mobile device	en
dc.title	Αντιστάθμιση ακρίβειας σε κατανεμημένα συστήματα βαθέων νευρωνικών δικτύων	el
heal.type	bachelorThesis
heal.secondaryTitle	Μελέτη και Ανάπτυξη	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10-04
heal.abstract	Η σημαντική πρόοδος των τελευταίων ετών στις τεχνολογίες Βαθιάς Μάθησης έχει καταστήσει εφικτή την ανάπτυξη πληθώρας ευφυών κινητών εφαρμογών. Παρόλα αυτά, τα βαθιά νευρωνικά δίκτυα είναι υπολογιστικά απαιτητικά, γεγονός το οποίο, σε συνδυασμό με τους περιορισμένους πόρους των κινητών συσκευών, οδηγεί σε προκλήσεις. Πολλές φορές η τοπική εκτέλεση είναι ανέφικτη ή δεν υπάρχει εγγύηση για την ποιότητα υπηρεσίας. Ένας τρόπος αντιμετώπισης των παραπάνω περιορισμών είναι η κατανεμημένη εκτέλεση. Ένα κατανεμημένο σύστημα ζεύγους βαθέων νευρωνικών δικτύων αποτελείται από (α) ένα βαθύ νευρωνικό δίκτυο, το οποίο εκτελείται τοπικά, επί της κινητής συσκευής και έχει χαμηλές απαιτήσεις υπολογιστικής ισχύος, μνήμης και ενέργειας, αλλά χαμηλή ακρίβεια, (β) ένα βαθύ νευρωνικό δίκτυο που εκτελείται στο υπολογιστικό νέφος ή στην άκρη του δικτύου με την υποβοήθηση ενός ισχυρού εξυπηρετητή, το οποίο έχει υψηλές απαιτήσεις υπολογιστικής ισχύος, μνήμης και ενέργειας, αλλά υψηλή ακρίβεια και (γ) τον τρόπο με τον οποίο τα δύο δίκτυα επικοινωνούν, καθώς και το είδος των δεδομένων που ανταλλάσσουν. Βασικό χαρακτηριστικό του κατανεμημένου συστήματος είναι η επιλεκτική εκτέλεση είτε στην κινητή συσκευή είτε στον εξυπηρετητή. Ωστόσο, βασικό περιορισμό των συστημάτων που κάνουν χρήση ενός ζεύγους μοντέλων αποτελεί το γεγονός ότι η ακρίβεια ενός μοντέλου αξιολογείται με βάση τα υπάρχοντα σύνολα δεδομένων. Αυτό έχει ως συνέπεια, στην πράξη, τα μοντέλα να καλούνται να επεξεργαστούν δεδομένα που διαφέρουν δραστικά από τα δεδομένα της εκπαίδευσης, καταλήγοντας σε ανακριβή αποτελέσματα. Η παρούσα διπλωματική εργασία εστιάζει στο πρόβλημα της ταξινόμησης εικόνας και στόχος της είναι αρχικά η ανάπτυξη αλγορίθμων αξιολόγησης της ακρίβειας του μοντέλου στην κινητή συσκευή και στη συνέχεια η σχεδίαση της κατάλληλης αρχιτεκτονικής του συστήματος ζεύγους νευρωνικών δικτύων, το οποίο μέσω συνέργειας των δύο μοντέλων, θα παρέχει τη δυνατότητα αντιστάθμισης και διόρθωσης των σφαλμάτων του τοπικού μοντέλου σε πραγματικό χρόνο.	el
heal.advisorName	Βενιέρης, Ιάκωβος	el
heal.committeeMemberName	Συμβώνης, Αντώνιος	el
heal.committeeMemberName	Κακλαμάνη, Δήμητρα-Θεοδώρα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	85 σ.	el
heal.fullTextAvailability	false