Το έργο με τίτλο Κατανεμημένη και Online διατήρηση γραφικών μοντέλων στο Apache Flink από τον/τους δημιουργό/ούς Tzimos Nikolaos διατίθεται με την άδεια Creative Commons Αναφορά Δημιουργού 4.0 Διεθνές
Βιβλιογραφική Αναφορά
Νικόλαος Τζήμος, "Κατανεμημένη και Online διατήρηση γραφικών μοντέλων στο Apache Flink", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023
https://doi.org/10.26233/heallink.tuc.95918
Με την αυξανόμενη ανάγκη για ανάλυση των δεδομένων σε μεγάλη κλίμακα, η κατανεμημένη μηχανική μάθηση έχει αποκτήσει σημασία τα τελευταία χρόνια. Τα δεδομένα συνήθως περιγράφονται από ένα μεγάλο αριθμό από αλληλοσχετιζόμενες μεταβλητές και μια σημαντική διεργασία είναι να μπορούμε να περιγράψουμε την από κοινού κατανομή όλων των μεταβλητών, επιτρέποντας την λήψη συμπερασμών και προβλέψεων. Ωστόσο η “απευθείας” μοντελοποίηση της από κοινού κατανομής όλων των μεταβλητών είναι μη εφικτή, αφού η πολυπλοκότητα ενός τέτοιου μοντέλου αυξάνεται εκθετικά με τον αριθμό των μεταβλητών. Εστιάζουμε στα Bayesian Networks , τα οποία αποτελούν τον “πατέρα” των γραφικών μοντέλων και παρουσιάζουμε μια διαφορετική προσέγγιση που είναι “επικοινωνιακά” αποδοτική χρησιμοποιώντας την ευρέως γνωστή μέθοδο του Functional Geometric Monitoring, για την συνεχή εκμάθηση και διατήρηση των Bayesian Networks πάνω σε κατανεμημένο περιβάλλον. Τέλος τα πειραματικά αποτελέσματα επιβεβαιώνουν την λειτουργικότητα την προτεινομένης προσέγγισης.