Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Κατανεμημένη Πολυπαραγοντική Παλινδρόμιση μέσω της Γεωμετρικής Παρακολούθησης

Seisaki Eftychia

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/451A5CA8-A6BE-449C-9B8D-EBC95D16466C-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.91161-
Γλώσσαen-
Μέγεθος54 pagesen
Μέγεθος2.9 megabytesen
ΤίτλοςDistributed multivariate regression via functional geometric monitoringen
ΤίτλοςΚατανεμημένη Πολυπαραγοντική Παλινδρόμιση μέσω της Γεωμετρικής Παρακολούθησηςel
ΔημιουργόςSeisaki Eftychiaen
ΔημιουργόςΣεισακη Ευτυχιαel
Συντελεστής [Επιβλέπων Καθηγητής]Samoladas Vasilisen
Συντελεστής [Επιβλέπων Καθηγητής]Σαμολαδας Βασιληςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Deligiannakis Antoniosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δεληγιαννακης Αντωνιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Lagoudakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Λαγουδακης Μιχαηλel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Περίληψη Multivariate linear regression is an important and massively used technique for modeling and predicting data behavior in many fields. In scenarios where the data evolves over time, it is essential to monitor the model in order to identify possible changes. This becomes more challenging, when the data is distributed at a number of different nodes and the regression model must be recomputed to avoid inaccuracy. In such dynamic settings, data centralization and periodic model recomputation can be wasteful. Therefore, the goal is to develop a technique which conserves a precise approximation of the model over the union of all nodes’ data in a communicationefficient fashion. We propose a monitoring algorithm for multivariate regression models of distributed data streams, based on the basic notions of Functional Geometric Monitoring (FGM), which guarantees a bounded model error and demands communication only when the estimated model has fairly departed from the current global. Our experimental results clearly demonstrate a reduction in communication cost while maintaining the desired model accuracy, compared to similar existing models.en
ΠερίληψηΗ Πολυπαραγοντική Γραμμική Παλινδρόμηση είναι μια σημαντική και καθολικά χρησιμοποιούμενη τεχνική που διαμορφώνει και προβλέπει τη συμπεριφορά δεδομένων σε πολλά πεδία. Σε σενάρια όπου τα δεδομένα εξελίσσονται με την πάροδο του χρόνου, είναι απαραίτητο να παρακολουθείται το μοντέλο, προκειμένου να εντοπιστούν πιθανές αλλαγές. Αυτή η κατάσταση γίνεται ακόμα πιο απαιτητική, όταν τα δεδομένα κατανέμονται σε ένα πλήθος από κόμβους και το μοντέλο παλινδρόμησης πρέπει να υπολογιστεί εκ νέου για να αποφευχθεί η ανακρίβεια. Η κεντρικοποίηση δυναμικών δεδομένων καθώς και ο περιοδικός επανυπολογισμός του μοντέλου μπορεί να αποδειχθεί ασύμφορος. Ως εκ τούτου, είναι σημαντική η ανάπτυξη μιας τεχνικής που διατηρεί μια εκτίμηση του μοντέλου με σχετική ακρίβεια πάνω από την ένωση των δεδομένων όλων των κόμβων σε ένα δίκτυο. Προτείνουμε έναν αλγόριθμο παρακολούθησης για μοντέλα πολυπαραγοντικής παλινδρόμησης κατανεμημένων ροών δεδομένων, που βασίζεται στο πρωτόκολλο της Γεωμετρικής Παρακολούθησης, η οποία εγγυάται ένα περιορισμένο σφάλμα μοντέλου και απαιτεί επικοινωνία μόνο όταν το προϋπολογισμένο μοντέλο απέχει αρκετά από το τρέχον. Στόχος μας είναι να συγκρίνουμε εμπειρικά την προτεινόμενη μέθοδο με άλλα υπάρχοντα μοντέλα, προκειμένου να εξετάσουμε αν μπορεί να επιτύχει λιγότερη επικοινωνία, διατηρώντας παράλληλα την επιθυμητή ακρίβεια μοντέλου.el
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2021-12-22-
Ημερομηνία Δημοσίευσης2021-
Θεματική ΚατηγορίαFunctional geometric monitoringen
Θεματική ΚατηγορίαDistributed regressionen
Θεματική ΚατηγορίαMachine learningen
Βιβλιογραφική ΑναφοράEftychia Seisaki, "Distributed multivariate regression via functional geometric monitoring", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2021en
Βιβλιογραφική ΑναφοράΕυτυχία Σεισάκη, "Κατανεμημένη Πολυπαραγοντική Παλινδρόμιση μέσω της Γεωμετρικής Παρακολούθησης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά