{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2884539"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2884539","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Γενικεύοντας την Προσαρμoγή Πεδίου: Χαλάρωση των Υποθέσεων & μία Εναλλακτική Συνάρτηση Κόστους για Μεθόδους με Αντιμαχόμενα Δίκτυα","abstract":"Οι τεχνικές επιβλεπόμενης μάθησης τυπικά λειτουργούν με την υπόθεση πως το σύνολοεκπαίδευσης και δοκιμής έχουν ληφθεί από μία κοινή κατανομή. Για αυτόν τον λόγο,η εκπαίδευση χρήσιμων μοντέλων με συμβατικές μεθόδους για επιβλεπόμενη μάθησηαπαιτούντουλάχιστονκάποιαδεδομέναμε ετικέτεςαπότοπρόβλημαπουμας ενδιαφέρει.Η εκτεταμένη έρευνα στο πεδίο της μάθησης μηχανής, και ειδικότερα στην βαθιά μάθηση,έχουναποφέρειπολύισχυρέςμεθόδουςγιατηναντιμετώπισηπροβλημάτωνεπιβλεπόμενηςμάθησης, ενώ οι εξελίξεις σε συστήματα διαχείρισης μεγάλων δεδομένων μας επιτρέπουννασυλλέγουμεκαιναοργανώνουμεακατέργασταδεδομέναμεταχύτατουςρυθμούς. Αυτήηπρόοδοςέχεισεμεγάλοβαθμόδειτο“κώλυμα”τηςδιαδικασίαςτηςμάθησηςναμεταφέρεταιαπό την μοντελοποίηση και την εκπαίδευση, στην συλλογή ετικετών. Υποστηρίζουμεπως για την πλήρη εκμετάλλευση της τεχνολογίας μας, πρέπει να ξεπεράσουμε αυτότο “κώλυμα” και να αναπτύξουμε μοντέλα που είναι ανθεκτικά σε διαφορές μεταξύ τωνκατανομών των συνόλων εκπαίδευσης και δοκιμής. Η προσαρμογή πεδίου είναι έναπλαίσιο το οποίο απευθύνεται στα παραπάνω θέματα και κάτω από ορισμένες υποθέσειςπροσφέρειεργαλείαγιατηνεπίλυσήτους. Σεαυτήντηνεργασία,θασυζητήσουμεβελτιώσειςσε υπάρχουσες τεχνικές για την προσαρμογή πεδίου που στηρίζονται σε αντιμαχόμενανευρωνικά δίκτυα. Εισάγουμε μία νέα συνάρτηση κόστους εμπνευσμένη από την πρόοδοσταgenerativeadversarialnetworks(GANs)καιτοπεδίοτηςβέλτιστηςμεταφοράς. Τέλος,προτείνουμε ένα νέο πλαίσιο, το οποίο καλούμε Αμφίδρομη Μερική Προσαρμογή Πεδίου,στο οποίο χαλαρώνουμε τις συνήθεις υποθέσεις που γίνονται στην απλή προσαρμογήπεδίου και παρουσιάζουμε έναν αλγόριθμο για την αντιμετώπιση προβλημάτων σε αυτότο νεό πλαίσιο.","abstract_html":"Οι τεχνικές επιβλεπόμενης μάθησης τυπικά λειτουργούν με την υπόθεση πως το σύνολοεκπαίδευσης και δοκιμής έχουν ληφθεί από μία κοινή κατανομή. Για αυτόν τον λόγο,η εκπαίδευση χρήσιμων μοντέλων με συμβατικές μεθόδους για επιβλεπόμενη μάθησηαπαιτούντουλάχιστονκάποιαδεδομέναμε ετικέτεςαπότοπρόβλημαπουμας ενδιαφέρει.Η εκτεταμένη έρευνα στο πεδίο της μάθησης μηχανής, και ειδικότερα στην βαθιά μάθηση,έχουναποφέρειπολύισχυρέςμεθόδουςγιατηναντιμετώπισηπροβλημάτωνεπιβλεπόμενηςμάθησης, ενώ οι εξελίξεις σε συστήματα διαχείρισης μεγάλων δεδομένων μας επιτρέπουννασυλλέγουμεκαιναοργανώνουμεακατέργασταδεδομέναμεταχύτατουςρυθμούς. Αυτήηπρόοδοςέχεισεμεγάλοβαθμόδειτο“κώλυμα”τηςδιαδικασίαςτηςμάθησηςναμεταφέρεταιαπό την μοντελοποίηση και την εκπαίδευση, στην συλλογή ετικετών. Υποστηρίζουμεπως για την πλήρη εκμετάλλευση της τεχνολογίας μας, πρέπει να ξεπεράσουμε αυτότο “κώλυμα” και να αναπτύξουμε μοντέλα που είναι ανθεκτικά σε διαφορές μεταξύ τωνκατανομών των συνόλων εκπαίδευσης και δοκιμής. Η προσαρμογή πεδίου είναι έναπλαίσιο το οποίο απευθύνεται στα παραπάνω θέματα και κάτω από ορισμένες υποθέσειςπροσφέρειεργαλείαγιατηνεπίλυσήτους. Σεαυτήντηνεργασία,θασυζητήσουμεβελτιώσειςσε υπάρχουσες τεχνικές για την προσαρμογή πεδίου που στηρίζονται σε αντιμαχόμενανευρωνικά δίκτυα. Εισάγουμε μία νέα συνάρτηση κόστους εμπνευσμένη από την πρόοδοσταgenerativeadversarialnetworks(GANs)καιτοπεδίοτηςβέλτιστηςμεταφοράς. Τέλος,προτείνουμε ένα νέο πλαίσιο, το οποίο καλούμε Αμφίδρομη Μερική Προσαρμογή Πεδίου,στο οποίο χαλαρώνουμε τις συνήθεις υποθέσεις που γίνονται στην απλή προσαρμογήπεδίου και παρουσιάζουμε έναν αλγόριθμο για την αντιμετώπιση προβλημάτων σε αυτότο νεό πλαίσιο.","abstract_has_math":false,"creators":["Πικραμένος Γεώργιος","Pikramenos Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:36:21Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2884539"],"render_values":[{"text":"uoadl:2884539","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2884539","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2884539","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2884539","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πικραμένος Γεώργιος","Pikramenos Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2884539","https://pergamos.lib.uoa.gr/uoa/dl/object/2884539"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι τεχνικές επιβλεπόμενης μάθησης τυπικά λειτουργούν με την υπόθεση πως το σύνολοεκπαίδευσης και δοκιμής έχουν ληφθεί από μία κοινή κατανομή. Για αυτόν τον λόγο,η εκπαίδευση χρήσιμων μοντέλων με συμβατικές μεθόδους για επιβλεπόμενη μάθησηαπαιτούντουλάχιστονκάποιαδεδομέναμε ετικέτεςαπότοπρόβλημαπουμας ενδιαφέρει.Η εκτεταμένη έρευνα στο πεδίο της μάθησης μηχανής, και ειδικότερα στην βαθιά μάθηση,έχουναποφέρειπολύισχυρέςμεθόδουςγιατηναντιμετώπισηπροβλημάτωνεπιβλεπόμενηςμάθησης, ενώ οι εξελίξεις σε συστήματα διαχείρισης μεγάλων δεδομένων μας επιτρέπουννασυλλέγουμεκαιναοργανώνουμεακατέργασταδεδομέναμεταχύτατουςρυθμούς. Αυτήηπρόοδοςέχεισεμεγάλοβαθμόδειτο“κώλυμα”τηςδιαδικασίαςτηςμάθησηςναμεταφέρεταιαπό την μοντελοποίηση και την εκπαίδευση, στην συλλογή ετικετών. Υποστηρίζουμεπως για την πλήρη εκμετάλλευση της τεχνολογίας μας, πρέπει να ξεπεράσουμε αυτότο “κώλυμα” και να αναπτύξουμε μοντέλα που είναι ανθεκτικά σε διαφορές μεταξύ τωνκατανομών των συνόλων εκπαίδευσης και δοκιμής. Η προσαρμογή πεδίου είναι έναπλαίσιο το οποίο απευθύνεται στα παραπάνω θέματα και κάτω από ορισμένες υποθέσειςπροσφέρειεργαλείαγιατηνεπίλυσήτους. Σεαυτήντηνεργασία,θασυζητήσουμεβελτιώσειςσε υπάρχουσες τεχνικές για την προσαρμογή πεδίου που στηρίζονται σε αντιμαχόμενανευρωνικά δίκτυα. Εισάγουμε μία νέα συνάρτηση κόστους εμπνευσμένη από την πρόοδοσταgenerativeadversarialnetworks(GANs)καιτοπεδίοτηςβέλτιστηςμεταφοράς. Τέλος,προτείνουμε ένα νέο πλαίσιο, το οποίο καλούμε Αμφίδρομη Μερική Προσαρμογή Πεδίου,στο οποίο χαλαρώνουμε τις συνήθεις υποθέσεις που γίνονται στην απλή προσαρμογήπεδίου και παρουσιάζουμε έναν αλγόριθμο για την αντιμετώπιση προβλημάτων σε αυτότο νεό πλαίσιο.","Supervised learning techniques typically work under the assumption that train and test datasets are drawn from the same distribution. As such, training useful models with con- ventional techniques for a supervised learning task, requires us to obtain at least some labeled data for our problem of interest. Extensive research efforts in the fields of ML and in particular DL have yielded powerful methods for tackling supervised problems and developments in big data systems have made it possible to gather raw data at unprece- dented rates. These advances have seen, to a large extent, the bottleneck of the learning procedure shift from modelling/training to obtaining labels for training data. We argue that in order to fully utilize our technologies, we need to bypass this bottleneck by creating models that are robust under train and test data distribution discrepancies. DA is a frame- work that addresses the aforementioned issues and under certain assumptions, provides tools to resolve them. In this thesis we discuss improvements on current techniques for DA that rely on adversarial neural networks. We introduce a new cost function for such methods inspired by progress in generative adversarial networks (GANs) and the field of optimal transport. Finally, we propose a novel problem setup, termed two-way partial do- main adaptation, which relaxes the assumptions made in traditional DA and we present a first algorithm to tackle problems in this setup."]},{"key":"dc:title","label":"Title","values":["Γενικεύοντας την Προσαρμoγή Πεδίου: Χαλάρωση των Υποθέσεων & μία Εναλλακτική Συνάρτηση Κόστους για Μεθόδους με Αντιμαχόμενα Δίκτυα"]}]}],"canonical_facts":{"dc:creator":["Πικραμένος Γεώργιος","Pikramenos Georgios"],"dc:date":["2019"],"dc:description":["Οι τεχνικές επιβλεπόμενης μάθησης τυπικά λειτουργούν με την υπόθεση πως το σύνολοεκπαίδευσης και δοκιμής έχουν ληφθεί από μία κοινή κατανομή. Για αυτόν τον λόγο,η εκπαίδευση χρήσιμων μοντέλων με συμβατικές μεθόδους για επιβλεπόμενη μάθησηαπαιτούντουλάχιστονκάποιαδεδομέναμε ετικέτεςαπότοπρόβλημαπουμας ενδιαφέρει.Η εκτεταμένη έρευνα στο πεδίο της μάθησης μηχανής, και ειδικότερα στην βαθιά μάθηση,έχουναποφέρειπολύισχυρέςμεθόδουςγιατηναντιμετώπισηπροβλημάτωνεπιβλεπόμενηςμάθησης, ενώ οι εξελίξεις σε συστήματα διαχείρισης μεγάλων δεδομένων μας επιτρέπουννασυλλέγουμεκαιναοργανώνουμεακατέργασταδεδομέναμεταχύτατουςρυθμούς. Αυτήηπρόοδοςέχεισεμεγάλοβαθμόδειτο“κώλυμα”τηςδιαδικασίαςτηςμάθησηςναμεταφέρεταιαπό την μοντελοποίηση και την εκπαίδευση, στην συλλογή ετικετών. Υποστηρίζουμεπως για την πλήρη εκμετάλλευση της τεχνολογίας μας, πρέπει να ξεπεράσουμε αυτότο “κώλυμα” και να αναπτύξουμε μοντέλα που είναι ανθεκτικά σε διαφορές μεταξύ τωνκατανομών των συνόλων εκπαίδευσης και δοκιμής. Η προσαρμογή πεδίου είναι έναπλαίσιο το οποίο απευθύνεται στα παραπάνω θέματα και κάτω από ορισμένες υποθέσειςπροσφέρειεργαλείαγιατηνεπίλυσήτους. Σεαυτήντηνεργασία,θασυζητήσουμεβελτιώσειςσε υπάρχουσες τεχνικές για την προσαρμογή πεδίου που στηρίζονται σε αντιμαχόμενανευρωνικά δίκτυα. Εισάγουμε μία νέα συνάρτηση κόστους εμπνευσμένη από την πρόοδοσταgenerativeadversarialnetworks(GANs)καιτοπεδίοτηςβέλτιστηςμεταφοράς. Τέλος,προτείνουμε ένα νέο πλαίσιο, το οποίο καλούμε Αμφίδρομη Μερική Προσαρμογή Πεδίου,στο οποίο χαλαρώνουμε τις συνήθεις υποθέσεις που γίνονται στην απλή προσαρμογήπεδίου και παρουσιάζουμε έναν αλγόριθμο για την αντιμετώπιση προβλημάτων σε αυτότο νεό πλαίσιο.","Supervised learning techniques typically work under the assumption that train and test datasets are drawn from the same distribution. As such, training useful models with con- ventional techniques for a supervised learning task, requires us to obtain at least some labeled data for our problem of interest. Extensive research efforts in the fields of ML and in particular DL have yielded powerful methods for tackling supervised problems and developments in big data systems have made it possible to gather raw data at unprece- dented rates. These advances have seen, to a large extent, the bottleneck of the learning procedure shift from modelling/training to obtaining labels for training data. We argue that in order to fully utilize our technologies, we need to bypass this bottleneck by creating models that are robust under train and test data distribution discrepancies. DA is a frame- work that addresses the aforementioned issues and under certain assumptions, provides tools to resolve them. In this thesis we discuss improvements on current techniques for DA that rely on adversarial neural networks. We introduce a new cost function for such methods inspired by progress in generative adversarial networks (GANs) and the field of optimal transport. Finally, we propose a novel problem setup, termed two-way partial do- main adaptation, which relaxes the assumptions made in traditional DA and we present a first algorithm to tackle problems in this setup."],"dc:identifier":["uoadl:2884539","https://pergamos.lib.uoa.gr/uoa/dl/object/2884539"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Γενικεύοντας την Προσαρμoγή Πεδίου: Χαλάρωση των Υποθέσεων & μία Εναλλακτική Συνάρτηση Κόστους για Μεθόδους με Αντιμαχόμενα Δίκτυα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:36:21Z"}