{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3228385"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3228385","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Supervised Progressive Geospatial Interlinking","abstract":"Η Διασύνδεση Γεωχωρικών Δεδομένων αποτελεί μια χρήσιμη διαδικασία, κατά την οποία ζεύγη γεωμετριών συνδέονται σύμφωνα με τις τοπολογικές τους σχέσεις. H διαδικασία αυτή, ωστόσο, έχει υψηλό υπολογιστικό κόστος, το οποίο κλιμακώνεται ελάχιστα σε μεγάλο όγκο δεδομένων. Πρόσφατα προτάθηκαν αλγόριθμοι βαθμιαίας διασύνδεσης γεωχωρικών δεδομένων, οι οποίοι -για να ελαττώσουν το υπολογιστικό κόστος- θυσιάζουν έως ένα επιτρεπτό όριο το βαθμό ανάκλησης. Παρ'ολα αυτά, οι αλγόριθμοι αυτοί βασίζονται είτε σε απλές ευρετικές μεθόδους, οι οποίες μπορεί να χαρακτηριστούν είτε ως \"συντηρητικές\" (διατηρόντας, δηλαδή, πολλά τοπολογικά μη-συσχετιζόμενα ζεύγη) είτε ως \"επιθετικές\" (απορρίπτοντας, δηδαδή, πολλά τοπολογικά συσχετιζόμενα ζεύγη). Λαμβάνοντας υπόψην τα παραπάνω, προτείνουμε την Εποπτευόμενη Δρομολόγηση, σύμφωνα με την οποία τα ζεύγη γεωμετριών διαχωρίζονται σε δυο κατηγορίες: τα ζεύγη που είναι πιθανό να σχετίζονται τοπολογικά και τα ζεύγη που είναι εξαιρετικά απίθανο να σχετίζονται τοπολογικά. Κατά την Εποπτευόμενη Δρομολόγηση, η σειρά επεξεργασίας των υποψήφιων ζευγών, ορίζεται σύμφωνα με την πιθανότητα ταξινόμησης τους σε μια από τις δυο κατηγορίες. Η προσέγγισή αυτή, αξιοποιεί χαρακτηριστικά των γεωμετριών, που συμβάλουν συνολικά στην διάκριση των ζευγών, και των οποίων η εξαγωγή έχει αρκετά χαμηλό κόστος. Τα πειράματά που παρουσιάζουμε, αναδεικνύουν την υψηλή απόδοση και ευρωστία των χαρακτηριστικών μας, έχοντας μάλιστα ένα μικρό σε μέγεθος σετ εκπαίδευσης, το οποίο επαρκεί για την εκμάθηση ενός ακριβούς μοντέλου ταξινόμησης. Παρουσιάζουμε δύο εκδοχές του αλγορίθμου, μια σειριακή και μια παράλληλη, τις οποίες ενσωματώνουμε στα συστήματα JedAI-Spatial και DS-JedAI, αντίστοιχα. Τέλος, συγκρίνουμε την απόδοση της προσέγγισής μας με τις υπόλοιπους βαθμιαίους αλγόριθμους σε έξι υπάρχοντα, μεγάλα σύνολα δεδομένων.","abstract_html":"Η Διασύνδεση Γεωχωρικών Δεδομένων αποτελεί μια χρήσιμη διαδικασία, κατά την οποία ζεύγη γεωμετριών συνδέονται σύμφωνα με τις τοπολογικές τους σχέσεις. H διαδικασία αυτή, ωστόσο, έχει υψηλό υπολογιστικό κόστος, το οποίο κλιμακώνεται ελάχιστα σε μεγάλο όγκο δεδομένων. Πρόσφατα προτάθηκαν αλγόριθμοι βαθμιαίας διασύνδεσης γεωχωρικών δεδομένων, οι οποίοι -για να ελαττώσουν το υπολογιστικό κόστος- θυσιάζουν έως ένα επιτρεπτό όριο το βαθμό ανάκλησης. Παρ&#x27;ολα αυτά, οι αλγόριθμοι αυτοί βασίζονται είτε σε απλές ευρετικές μεθόδους, οι οποίες μπορεί να χαρακτηριστούν είτε ως &quot;συντηρητικές&quot; (διατηρόντας, δηλαδή, πολλά τοπολογικά μη-συσχετιζόμενα ζεύγη) είτε ως &quot;επιθετικές&quot; (απορρίπτοντας, δηδαδή, πολλά τοπολογικά συσχετιζόμενα ζεύγη). Λαμβάνοντας υπόψην τα παραπάνω, προτείνουμε την Εποπτευόμενη Δρομολόγηση, σύμφωνα με την οποία τα ζεύγη γεωμετριών διαχωρίζονται σε δυο κατηγορίες: τα ζεύγη που είναι πιθανό να σχετίζονται τοπολογικά και τα ζεύγη που είναι εξαιρετικά απίθανο να σχετίζονται τοπολογικά. Κατά την Εποπτευόμενη Δρομολόγηση, η σειρά επεξεργασίας των υποψήφιων ζευγών, ορίζεται σύμφωνα με την πιθανότητα ταξινόμησης τους σε μια από τις δυο κατηγορίες. Η προσέγγισή αυτή, αξιοποιεί χαρακτηριστικά των γεωμετριών, που συμβάλουν συνολικά στην διάκριση των ζευγών, και των οποίων η εξαγωγή έχει αρκετά χαμηλό κόστος. Τα πειράματά που παρουσιάζουμε, αναδεικνύουν την υψηλή απόδοση και ευρωστία των χαρακτηριστικών μας, έχοντας μάλιστα ένα μικρό σε μέγεθος σετ εκπαίδευσης, το οποίο επαρκεί για την εκμάθηση ενός ακριβούς μοντέλου ταξινόμησης. Παρουσιάζουμε δύο εκδοχές του αλγορίθμου, μια σειριακή και μια παράλληλη, τις οποίες ενσωματώνουμε στα συστήματα JedAI-Spatial και DS-JedAI, αντίστοιχα. Τέλος, συγκρίνουμε την απόδοση της προσέγγισής μας με τις υπόλοιπους βαθμιαίους αλγόριθμους σε έξι υπάρχοντα, μεγάλα σύνολα δεδομένων.","abstract_has_math":false,"creators":["ΣΙΑΜΠΟΥ ΜΑΡΙΑ ΔΕΣΠΟΙΝΑ","SIAMPOU MARIA DESPOINA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:47:25Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3228385"],"render_values":[{"text":"uoadl:3228385","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3228385","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3228385","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%3A3228385","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΣΙΑΜΠΟΥ ΜΑΡΙΑ ΔΕΣΠΟΙΝΑ","SIAMPOU MARIA DESPOINA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"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":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3228385","https://pergamos.lib.uoa.gr/uoa/dl/object/3228385"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Διασύνδεση Γεωχωρικών Δεδομένων αποτελεί μια χρήσιμη διαδικασία, κατά την οποία ζεύγη γεωμετριών συνδέονται σύμφωνα με τις τοπολογικές τους σχέσεις. H διαδικασία αυτή, ωστόσο, έχει υψηλό υπολογιστικό κόστος, το οποίο κλιμακώνεται ελάχιστα σε μεγάλο όγκο δεδομένων. Πρόσφατα προτάθηκαν αλγόριθμοι βαθμιαίας διασύνδεσης γεωχωρικών δεδομένων, οι οποίοι -για να ελαττώσουν το υπολογιστικό κόστος- θυσιάζουν έως ένα επιτρεπτό όριο το βαθμό ανάκλησης. Παρ'ολα αυτά, οι αλγόριθμοι αυτοί βασίζονται είτε σε απλές ευρετικές μεθόδους, οι οποίες μπορεί να χαρακτηριστούν είτε ως \"συντηρητικές\" (διατηρόντας, δηλαδή, πολλά τοπολογικά μη-συσχετιζόμενα ζεύγη) είτε ως \"επιθετικές\" (απορρίπτοντας, δηδαδή, πολλά τοπολογικά συσχετιζόμενα ζεύγη). Λαμβάνοντας υπόψην τα παραπάνω, προτείνουμε την Εποπτευόμενη Δρομολόγηση, σύμφωνα με την οποία τα ζεύγη γεωμετριών διαχωρίζονται σε δυο κατηγορίες: τα ζεύγη που είναι πιθανό να σχετίζονται τοπολογικά και τα ζεύγη που είναι εξαιρετικά απίθανο να σχετίζονται τοπολογικά. Κατά την Εποπτευόμενη Δρομολόγηση, η σειρά επεξεργασίας των υποψήφιων ζευγών, ορίζεται σύμφωνα με την πιθανότητα ταξινόμησης τους σε μια από τις δυο κατηγορίες. Η προσέγγισή αυτή, αξιοποιεί χαρακτηριστικά των γεωμετριών, που συμβάλουν συνολικά στην διάκριση των ζευγών, και των οποίων η εξαγωγή έχει αρκετά χαμηλό κόστος. Τα πειράματά που παρουσιάζουμε, αναδεικνύουν την υψηλή απόδοση και ευρωστία των χαρακτηριστικών μας, έχοντας μάλιστα ένα μικρό σε μέγεθος σετ εκπαίδευσης, το οποίο επαρκεί για την εκμάθηση ενός ακριβούς μοντέλου ταξινόμησης. Παρουσιάζουμε δύο εκδοχές του αλγορίθμου, μια σειριακή και μια παράλληλη, τις οποίες ενσωματώνουμε στα συστήματα JedAI-Spatial και DS-JedAI, αντίστοιχα. Τέλος, συγκρίνουμε την απόδοση της προσέγγισής μας με τις υπόλοιπους βαθμιαίους αλγόριθμους σε έξι υπάρχοντα, μεγάλα σύνολα δεδομένων.","Geospatial Interlinking constitutes a useful task that associates pairs of geometries with topological relations. Its high computational cost, though, scales poorly to voluminous datasets. Progressive methods were recently proposed in order to reduce this cost by sacrificing recall to an affordable extent. However, these methods operate in a learningfree manner that relies on mere heuristics, which can be conservative (i.e., retaining too many unrelated pairs) or aggressive (i.e., discarding too many related pairs). In this work, we introduce Supervised Scheduling as a quick and principled way of defining the processing order of the candidate geometry pairs that are likely to be topologically related, based on their classification probability. Our approach leverages generic features with low extraction cost but high discriminatory power that can be automatically labelled. Thorough experiments verify the high performance and robustness of our features as well as the limited size of the training set that suffices for learning an accurate classification model. We integrate Supervised Scheduling into a progressive end-to-end algorithm, which has both a serial and a parallel version. Each version is integrated into JedAI-Spatial and DS-JedAI systems, respectively. Lastly, we compare the performance of our algorithm to the other progressive ones over six real, large datasets."]},{"key":"dc:title","label":"Title","values":["Supervised Progressive Geospatial Interlinking"]}]}],"canonical_facts":{"dc:creator":["ΣΙΑΜΠΟΥ ΜΑΡΙΑ ΔΕΣΠΟΙΝΑ","SIAMPOU MARIA DESPOINA"],"dc:date":["2022"],"dc:description":["Η Διασύνδεση Γεωχωρικών Δεδομένων αποτελεί μια χρήσιμη διαδικασία, κατά την οποία ζεύγη γεωμετριών συνδέονται σύμφωνα με τις τοπολογικές τους σχέσεις. H διαδικασία αυτή, ωστόσο, έχει υψηλό υπολογιστικό κόστος, το οποίο κλιμακώνεται ελάχιστα σε μεγάλο όγκο δεδομένων. Πρόσφατα προτάθηκαν αλγόριθμοι βαθμιαίας διασύνδεσης γεωχωρικών δεδομένων, οι οποίοι -για να ελαττώσουν το υπολογιστικό κόστος- θυσιάζουν έως ένα επιτρεπτό όριο το βαθμό ανάκλησης. Παρ'ολα αυτά, οι αλγόριθμοι αυτοί βασίζονται είτε σε απλές ευρετικές μεθόδους, οι οποίες μπορεί να χαρακτηριστούν είτε ως \"συντηρητικές\" (διατηρόντας, δηλαδή, πολλά τοπολογικά μη-συσχετιζόμενα ζεύγη) είτε ως \"επιθετικές\" (απορρίπτοντας, δηδαδή, πολλά τοπολογικά συσχετιζόμενα ζεύγη). Λαμβάνοντας υπόψην τα παραπάνω, προτείνουμε την Εποπτευόμενη Δρομολόγηση, σύμφωνα με την οποία τα ζεύγη γεωμετριών διαχωρίζονται σε δυο κατηγορίες: τα ζεύγη που είναι πιθανό να σχετίζονται τοπολογικά και τα ζεύγη που είναι εξαιρετικά απίθανο να σχετίζονται τοπολογικά. Κατά την Εποπτευόμενη Δρομολόγηση, η σειρά επεξεργασίας των υποψήφιων ζευγών, ορίζεται σύμφωνα με την πιθανότητα ταξινόμησης τους σε μια από τις δυο κατηγορίες. Η προσέγγισή αυτή, αξιοποιεί χαρακτηριστικά των γεωμετριών, που συμβάλουν συνολικά στην διάκριση των ζευγών, και των οποίων η εξαγωγή έχει αρκετά χαμηλό κόστος. Τα πειράματά που παρουσιάζουμε, αναδεικνύουν την υψηλή απόδοση και ευρωστία των χαρακτηριστικών μας, έχοντας μάλιστα ένα μικρό σε μέγεθος σετ εκπαίδευσης, το οποίο επαρκεί για την εκμάθηση ενός ακριβούς μοντέλου ταξινόμησης. Παρουσιάζουμε δύο εκδοχές του αλγορίθμου, μια σειριακή και μια παράλληλη, τις οποίες ενσωματώνουμε στα συστήματα JedAI-Spatial και DS-JedAI, αντίστοιχα. Τέλος, συγκρίνουμε την απόδοση της προσέγγισής μας με τις υπόλοιπους βαθμιαίους αλγόριθμους σε έξι υπάρχοντα, μεγάλα σύνολα δεδομένων.","Geospatial Interlinking constitutes a useful task that associates pairs of geometries with topological relations. Its high computational cost, though, scales poorly to voluminous datasets. Progressive methods were recently proposed in order to reduce this cost by sacrificing recall to an affordable extent. However, these methods operate in a learningfree manner that relies on mere heuristics, which can be conservative (i.e., retaining too many unrelated pairs) or aggressive (i.e., discarding too many related pairs). In this work, we introduce Supervised Scheduling as a quick and principled way of defining the processing order of the candidate geometry pairs that are likely to be topologically related, based on their classification probability. Our approach leverages generic features with low extraction cost but high discriminatory power that can be automatically labelled. Thorough experiments verify the high performance and robustness of our features as well as the limited size of the training set that suffices for learning an accurate classification model. We integrate Supervised Scheduling into a progressive end-to-end algorithm, which has both a serial and a parallel version. Each version is integrated into JedAI-Spatial and DS-JedAI systems, respectively. Lastly, we compare the performance of our algorithm to the other progressive ones over six real, large datasets."],"dc:identifier":["uoadl:3228385","https://pergamos.lib.uoa.gr/uoa/dl/object/3228385"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Supervised Progressive Geospatial Interlinking"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:47:25Z"}