Μέθοδοι παραγωγής αντιπαραδειγμάτων σε πολυδιάστατα δεδομένα χρονοσειρών

Γεραντώνη, Στέλλα; Stella, Geratnoni

dc.contributor.author	Γεραντώνη, Στέλλα	el
dc.contributor.author	Stella, Geratnoni	en
dc.date.accessioned	2025-01-20T10:54:42Z
dc.date.available	2025-01-20T10:54:42Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60886
dc.rights	Default License
dc.subject	Μηχανική Μάθηση	el
dc.subject	Αυτοκωδικοποιητής	el
dc.subject	Αutoencoder	en
dc.subject	Συμπιεσμένη διάσταση	el
dc.subject	Latent Space	en
dc.subject	Κατανομή KDE	el
dc.subject	KDE Distribution	en
dc.subject	Counterfactual Explanations	en
dc.subject	Αντιπαραδείγματα	el
dc.subject	Machine Learning	en
dc.title	Μέθοδοι παραγωγής αντιπαραδειγμάτων σε πολυδιάστατα δεδομένα χρονοσειρών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-02-04
heal.abstract	Η διπλωματική εργασία ασχολείται με αντικειμενικές εξηγήσεις στο πεδίο της μηχανικής μάθησης. Οι αντικειμενικές εξηγήσεις μελετάνε «Τίς απαιτούμενες αλλαγές ώστε ένα δείγμα δεδομένων να κατηγοριοποιείται στην αντίθετη κλάση». Όσο η απαίτηση διαύγειας των νευρωνικών δικτύων αυξάνεται, είτε επειδή υπάρχει φόβος της ανεξέλεγκτης συμπεριφοράς τους, είτε γιατί η κατανόησή τους καθιστά ικανή την σημαντική βελτίωση τους, οι αντικειμενικές εξηγήσεις αποτελούν μία από τις πιο ασφαλής και ακριβής μεθόδους εξηγήσεις της συμπεριφοράς μοντέλων μηχανικής μάθησης. Η μελέτη που πραγματοποιήθηκε στην συγκεκριμένη εργασία αφορά την μέθοδο LatentCF, ή οποία παράγει αντιπαραδείγματα μέσω του συμπιεσμένου χώρου ενός αυτοκωδικοποιητή και βασίζεται πάνω σε δύο διατριβές, την «Latent-CF: A Simple Baseline for Reverse Counterfactual Explanations» των Rachana Balasubramanian, Sam Sharpe, Brian Barr και C. Bayan Bruss (1) και την «Learning Time Series Counterfactuals via Latent Space Representations» των Ζhendong Wang, Rami Mochaourab και Παναγιώτης Παπαπέτρου (2). Συγκεκριμένα μελετά την συμπεριφορά της LatentCF με πολυδιάστατες χρονοσειρές και προτείνεται μία βελτιωμένη εκδοχή της που συγκρίνει τις κατανομές των δεδομένων, μέσω του Kernel Dencity Estimation. Σκοπός αυτής της προσθήκης είναι τα αντιπαραδείγματα να έχουν κοινή κατανομή με τα δεδομένα της αντίθετης κλάσης στην οποία πλέον ανήκουν.	el
heal.abstract	In this thesis, the primary area of study is counterfactual explanations within the field of Machine Learning. Counterfactual explanations describe “What has to change in the input, so that the output is of the opposite class”. The need for explaining the behavior of machine learning models is becoming more important, because of two reasons. A growing fear of what machine learning models are capable of and the fact that understanding their logic makes their massive improvement possible. Counterfactual explanations are one of the most robust methods for explaining the behavior of the models and thus its improvement is important. The study is based on LatentCF. A method of generating counterfactual explanations through the latent space of an autoencoder. It is based on two Thesis: «Latent-CF: A Simple Baseline for Reverse Counterfactual Explanations» written by Rachana Balasubramanian, Sam Sharpe, Brian Barr and C. Bayan Bruss (1) and «Learning Time Series Counterfactuals via Latent Space Representations» written by Ζhendong Wang, Rami Mochaourab and Panagiotis Papapetrou (2). Specifically, it studies the behavior of LatentCF with multidimensional time series and proposes an improved version that compares the data distributions through Kernel Density Estimation (KDE). The purpose of this addition is to ensure that the counterexamples share a common distribution with the data of the opposite class to which they belong.	en
heal.advisorName	Γεώργιος, Στάμου	el
heal.committeeMemberName	Βουλοδήμος, Αθανάσιος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Συμβώνης, Αντώνιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false