Label Ranking: Προσέγγιση μέσω Συγκρίσεων ανά Ζεύγη και Τεχνικών Συνάθροισης

Γιαννακούλιας, Γεώργιος; Giannakoulias, Georgios

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