HEAL DSpace

Label Ranking: Προσέγγιση μέσω Συγκρίσεων ανά Ζεύγη και Τεχνικών Συνάθροισης

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

dc.contributor.author Γιαννακούλιας, Γεώργιος
dc.contributor.author Giannakoulias, Georgios
dc.date.accessioned 2022-01-28T19:28:01Z
dc.date.available 2022-01-28T19:28:01Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/54456
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.22154
dc.rights Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα *
dc.rights.uri http://creativecommons.org/licenses/by-sa/3.0/gr/ *
dc.subject Preference learning en
dc.subject Label Ranking en
dc.subject Pairwise classification en
dc.subject Rank aggregation en
dc.subject Αrtificial Ιntelligence el
dc.title Label Ranking: Προσέγγιση μέσω Συγκρίσεων ανά Ζεύγη και Τεχνικών Συνάθροισης el
dc.title Label Ranking based on pairwise comparisons and aggregation techniques en
dc.contributor.department Corelab el
heal.type bachelorThesis
heal.classification Τεχνητή Νοημοσύνη el
heal.classification Αλγόριθμοι el
heal.classification Αrtificial Ιntelligence en
heal.classification Algorithms en
heal.language el
heal.language en
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2021-07-12
heal.abstract Το label ranking (κατάταξη ετικετών) είναι ένα πρόβλημα που έχει προσελκύσει πρόσφατα μεγάλο ερευνητικό ενδιαφέρον λόγω της γενικότητας του και την πληθώρα εφαρμογών που το συ- ναντάται. Διάφορες προσεγγίσεις για την επίλυση του προβλήματος label ranking έχουν προταθεί. Σε αυτήν την εργασία, ωστόσο, θα επικεντρωθήκαμε στην αρθρωτή προσέγγιση RPC που λύνει την label ranking χρησιμοποιώντας συγκρίσεις ανά ζεέγη και τεχνικές συνάθροισης. Παρουσιάστηκε για πρώτη φορά από τους Hullermeier και Fürnkranz το 2008, αλλά παραμένει μια αποτελεσματική προσέγγιση, επομένως απαιτείται περαιτέρω έρευνα. Σε αυτήν την εργασία, πραγματοποιήσαμε συγκριτική πειραματική αξιολόγηση του μοντέλου RPC, που αποτελείται από δύο στάδια. Πειραματιστήκαμε με διάφορους αλγόριθμους μάθησης στο πρώτο στάδιο και καταλήξαμε στο συμπέρασμα ότι επηρεάζουν σημαντικά τις προβλέψεις του μοντέλου RPC. Επιθεωρήσαμε επίσης δημοφιλείς και καινοτόμες τεχνικές συνάθροισης στο δεύτερο στάδιο και καταλήξαμε στο συμπέ- ρασμα ότι τα αποτελέσματα δεν επηρεάζονται σοβαρά, δεδομένου ότι οι τεχνικές συνάθροισης ακολουθούν μια απλή και μαθηματικά ορθή λογική διαδικασία. Το πιο σημαντικό, ερμηνεύουμε τις παραμέτρους και τα χαρακτηριστικά του μοντέλου για να βγάλουμε συμπεράσματα σχετικά με το γιατί ορισμένοι αλγόριθμοι μάθησης και τεχνικές συνάθροισης λειτουργούν καλύτερα από τους υπόλοιπους. Τέλος, κάνουμε εμπεριστατωμένη ανάλυση των συνόλων δεδομένων, που χρησιμοποιούνται για τη συγκριτική αξιολόγηση. Με τη χρήση διαφορετικών μετρήσεων και οπτικοποιήσεων, εξηγούμε τους λόγους για τους οποίους η κατάταξη ετικετών είναι ένα περίπλοκο πρόβλημα. Καταλήγουμε στο συμπέρασμα ότι η συνάρτηση αντιστοίχησης μεταξύ του χώρου των γνωρισμάτων και του χώρου των μεταθέσεων επηρεάζει σοβαρά την απόδοση όλων των μοντέλων και εμποδίζει την ανάπτυξη ενός μοντέλου που λύνει αποτελεσματικά όλα τα προβλήματα μάθησης. el
heal.abstract Label ranking is a problem that has recently attracted research attention due to its generality and number of applications. Several approaches for solving the label ranking problem have been proposed. In this work however, we focused on the modular RPC approach that solves label ranking using pairwise comparisons and aggregation techniques. It was first presented by Hullermeier and Fürnkranz in 2008 but still remains a state-of-the-art approach, thus further investigation is required. In this work, we conducted experimental evaluation of the two-stage RPC model. We experimented with several learning algorithms at the first stage and concluded that they significantly impact the predictions of the RPC model. We also inspected popular and innovative aggregation techniques at the second stage and concluded that the results are not seriously affected, given that the aggregation techniques follow a simple and solid logical procedure. Most importantly, we interpret the scores of the model to make conclusions on why some learning algorithms and aggregation techniques work better than the rest. Lastly, we make thorough analysis on the datasets, used for benchmarking. With the use of different metrics and visualisations, we explain the reasons why label ranking is a highly complex problem. We conclude that the mapping function between the instances’ space and the rankings’ space severely affects the performance of all models and prohibits the development of a model that efficiently solves all learning problems. en
heal.advisorName Φωτάκης, Δημήτριος
heal.advisorName Fotakis, Dimitris
heal.committeeMemberName Φωτάκης, Δημήτριος
heal.committeeMemberName Παγουρτζής, Αριστείδης
heal.committeeMemberName Ιωαννίδης, Στρατής
heal.academicPublisher Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών el
heal.academicPublisherID ntua
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 - Παρόμοια Διανομή 3.0 Ελλάδα Εκτός από όπου ορίζεται κάτι διαφορετικό, αυτή η άδεια περιγράφεται ως Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα