FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W4311880082> ?p ?o ?g. }

• W4311880082 abstract "Η διατριβή μελετά το πρόβλημα της μάθησης από δεδομένα με αδύναμες ετικέτες που είναι ταυτόχρονα και σποραδικώς-θετικά. Ο όρος “αδύναμη ετικέτα” αναφέρεται σε μια ετικέτα που αντιστοιχεί σε ένα σετ παραδειγμάτων αντί για ένα μεμονωμένο παράδειγμα. Ο όρος “σποραδικώς-θετικό” υποδηλώνει ότι τα κύρια χαρακτηριστικά που καθορίζουν την αδύναμη ετικέτα υπερτερούν σε μεγάλο βαθμό από άλλα, μη σχετικά με το πρόβλημα, χαρακτηριστικά. Στη διατριβή αυτή προτείνουμε μια γενική στρατηγική μετασχηματισμού του αρχικού προβλήματος εύρεσης σπάνιων γεγονότων ενδιαφέροντος σε μεγάλες συλλογές σημάτων με αδύναμες ετικέτες, σε μια μορφή που μπορεί να επιλυθεί αποδοτικά από έναν μηχανισμό Μάθησης Πολλαπλών Παραδειγμάτων (Multiple-Instance Learning (MIL)). Η μεθοδολογία περιλαμβάνει επίσης την προσαρμογή και χρήση ενός αλγορίθμου MIL, βασιζόμενου στο μηχανισμό της προσοχής (attention), προκειμένου να μοντελοποιηθεί επαρκώς η σποραδικώς θετική φύση των δεδομένων. Στη συνέχεια, παρουσιάζουμε μια εφαρμογή της προτεινόμενης μεθοδολογίας στο πρόβλημα της αναγνώρισης του τρόμου χειρός που οφείλεται στη Νόσο του Πάρκινσον. Για το σκοπό αυτό, γίνεται χρήση σημάτων επιταγχυνσιομέτρου που έχουν καταγραφεί τόσο από ασθενείς με Πάρκινσον όσο και από υγιείς ανθρώπους κάτω από εξωεργαστηριακές συνθήκες ελεύθερης διαβίωσης (in-the-wild). Επιπρόσθετα, επεκτείνουμε και εφαρμόζουμε την προτεινόμενη μεθοδολογία στο πρόβλημα της ανίχνευσης της διαβητικής αμφιβληστροειδοπάθειας (Diabetic Retinopathy (DR)) από φωτογραφίες του βυθού του ματιού. Παρουσιάζουμε πως ο χειρισμός του προβλήματος μέσω του περιβάλλοντος της Μάθησης Πολλαπλών Παραδειγμάτων μπορεί να δώσει μια λύση στο πρόβλημα της σποραδικής θετικότητας, καθώς επίσης και στο πρόβλημα της εξηγησιμότητας ενός μοντέλου βαθιάς μηχανικής μάθησης. Προτείνουμε επίσης μια γενίκευση της προτεινόμενης μεθοδολογίας, η οποία μπορεί να χειριστεί την ύπαρξη πολλαπλών πηγών δεδομένων με αδύναμες ετικέτες, προκειμένου να υλοποιήσει μια διαδικασία μάθησης πάνω σε αυτές. Η προσέγγιση αυτή είναι γενική και μπορεί να λειτουργήσει με οποιονδήποτε αριθμό πηγών δεδομένων. Κατόπιν, μελετούμε την εφαρμογή της γενικευμένης μεθοδολογίας πολλαπλών πηγών στο αληθινό πρόβλημα της ταυτόχρονης πρόβλεψης της νόσου Πάρκινσον, καθώς και δύο κινητικών συμπτωμάτων της, μέσω της ανάλυσης δεδομένων από δύο διαφορετικές πηγές: σήματα επιταγχυνσιομέτρου για τον εντοπισμό του τρόμου, και σήματα προερχόμενα από την πληκτρολόγηση σε εικονικό πληκτρολόγιο έξυπνσης συσκευής, για τον εντοπισμό της εξασθένισης των κινητικών δεξιοτήτων (fine-motor impairment (FMI)). Τέλος, προτείνουμε μια νέα μέθοδο που συνδυάζει την τεχνοτροπία της μάθησης πολλαπλών παραδειγμάτων (MIL) με την τεχνοτροπία της ημι-εποπτευόμενης μάθησης (Semi-Supervised Learning (SSL)). Για το σκοπό αυτό, προχωρούμε στην μετατροπή της, καθιερωμένης στο χώρο της ημι-εποπτευόμενης μάθησης, τεχνικής του Virtual Adversarial Training (VAT), στην ισοδύναμή της στο πεδίο του MIL. Εκτελώντας πειράματα σε συνθετικά σετ δεδομένων, επιδευκνύουμε πως η προτεινόμενη προσέγγιση μπορεί να αξιοποιήσει αποτελεσματικά την ύπαρξη σετ πολλαπλών παραδειγμάτων χωρίς καμία ετικέτα, προκειμένου να βελτιώσει την επίδοση ενός MIL ταξινομητή. Ολοκληρώνοντας, εφαρμόζουμε τον παραπάνω αλγόριθμο σε ένα αληθινό πρόβλημα που συνδυάζει μάθηση πολλαπλών παραδειγμάτων με ημι-εποπτευόμενη μάθηση: την ανίχνευση τρόμου χειρός από σήματα επιταγχυνσιομέτρου, αλλά υπό την παρουσία επιπλέον δεδομένων χωρίς καθόλου ετικέτες που έχουν καταγραφεί από ένα αρκετά μεγάλο σύνολο ανθρώπων, υπό τις ίδιες συνθήκες με το αρχικό σετ δεδομένων με αδύναμες ετικέτες που μελετήθηκε προηγουμένως. Και σε αυτήν την περίπτωση, η προτεινόμενη συνδυαστική προσέγγιση επιφέρει σημαντική βελτίωση της επίδοσης ταξινόμησης, συγκρινόμενη με αυτή ενός μοντέλου που δεν κάνει χρήση των επιπλέον δεδομένων χωρίς ετικέτες." @default.
• W4311880082 created "2023-01-02" @default.
• W4311880082 creator A5010825430 @default.
• W4311880082 date "2022-12-19" @default.
• W4311880082 modified "2023-10-17" @default.
• W4311880082 title "Machine learning from weakly-labelled and sparsely-positive data" @default.
• W4311880082 doi "https://doi.org/10.12681/eadd/52892" @default.
• W4311880082 hasPublicationYear "2022" @default.
• W4311880082 type Work @default.
• W4311880082 citedByCount "0" @default.
• W4311880082 crossrefType "dissertation" @default.
• W4311880082 hasAuthorship W4311880082A5010825430 @default.
• W4311880082 hasConcept C107690735 @default.
• W4311880082 hasConcept C119857082 @default.
• W4311880082 hasConcept C134018914 @default.
• W4311880082 hasConcept C154945302 @default.
• W4311880082 hasConcept C15744967 @default.
• W4311880082 hasConcept C169760540 @default.
• W4311880082 hasConcept C2779829184 @default.
• W4311880082 hasConcept C37736160 @default.
• W4311880082 hasConcept C41008148 @default.
• W4311880082 hasConcept C555293320 @default.
• W4311880082 hasConcept C58973888 @default.
• W4311880082 hasConcept C71924100 @default.
• W4311880082 hasConceptScore W4311880082C107690735 @default.
• W4311880082 hasConceptScore W4311880082C119857082 @default.
• W4311880082 hasConceptScore W4311880082C134018914 @default.
• W4311880082 hasConceptScore W4311880082C154945302 @default.
• W4311880082 hasConceptScore W4311880082C15744967 @default.
• W4311880082 hasConceptScore W4311880082C169760540 @default.
• W4311880082 hasConceptScore W4311880082C2779829184 @default.
• W4311880082 hasConceptScore W4311880082C37736160 @default.
• W4311880082 hasConceptScore W4311880082C41008148 @default.
• W4311880082 hasConceptScore W4311880082C555293320 @default.
• W4311880082 hasConceptScore W4311880082C58973888 @default.
• W4311880082 hasConceptScore W4311880082C71924100 @default.
• W4311880082 hasLocation W43118800821 @default.
• W4311880082 hasOpenAccess W4311880082 @default.
• W4311880082 hasPrimaryLocation W43118800821 @default.
• W4311880082 hasRelatedWork W2295628041 @default.
• W4311880082 hasRelatedWork W2748952813 @default.
• W4311880082 hasRelatedWork W2899084033 @default.
• W4311880082 hasRelatedWork W3095538999 @default.
• W4311880082 hasRelatedWork W3129579680 @default.
• W4311880082 hasRelatedWork W3162567751 @default.
• W4311880082 hasRelatedWork W3196155444 @default.
• W4311880082 hasRelatedWork W3210156800 @default.
• W4311880082 hasRelatedWork W4226172683 @default.
• W4311880082 hasRelatedWork W4306321456 @default.
• W4311880082 isParatext "false" @default.
• W4311880082 isRetracted "false" @default.
• W4311880082 workType "dissertation" @default.