National and Kapodistrian University of Athens
Algorithms for Multiclass Learning with Corrupted Samples
Abstract
dc:descriptionΗ επιτυχία των σύγχρονων Αλγορίθμων Μηχανικής Μάθησης συνήθως εξαρτάται από το γεγονός ότι υπάρχει ένας μεγάλος αριθμός σωστά ετικετοποιημένων παραδειγμάτων. Ωστόσο, στην πράξη, η διαδικασία ετικετοποίησης παραδειγμάτων είναι εξαιρετικά κοστοβόρα και συχνά μη αξιόπιστη. Για αυτό το λόγο υπάρχει ένας μεγάλος αριθμός έργων που αφορούν την ανάπτυξη Αλγορίθμων Μηχανικής Μάθησης που λειτουργούν με διεφθαρμένα δείγματα. Ωστόσο, οι προηγούμενες εργασίες απευθύνονται συνήθως σε προβλήματα Δυαδικής Κατηγοριοποίησης. Σε αυτήν τη διατριβή, μελετούμε Αλγορίθμους και Πολυπλοκότητα για τα προβλήματα Πολυταξικής Κατηγοριοποίησης με αδρές ή Θορυβώδεις ετικέτες. Εξετάζουμε τη σχέση ανάμεσα σε αυτά τα προβλήματα και διερευνούμε την υπολογιστική πολυπλοκότητα τους υπό διάφορες υποθέσεις. Συγκεκριμένα, αναπτύσσουμε έναν αλγόριθμο για πολυταξική μάθηση με αγνώστικούς θορύβους ετικέτας υπό την κανονική κατανομή, που συνεπάγει επίσης έναν αλγόριθμο για το πρόβλημα μάθησης με αδρές ετικέτες. Τέλος, εξετάζουμε μερικές ειδικές, αλλά συχνά μελετημένες περιπτώσεις για το πρόβλημα μάθησης με αδρές ετικέτες και αναπτύσσουμε αλγόριθμους πολυωνυμικού χρόνου.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Ιακωβίδης Ιωάννης
- Iakovidis Ioannis
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3389206