{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3389206"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3389206","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Algorithms for Multiclass Learning with Corrupted Samples","abstract":"Η 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.","abstract_html":"Η 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.","abstract_has_math":false,"creators":["Ιακωβίδης Ιωάννης","Iakovidis Ioannis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:27:53Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3389206"],"render_values":[{"text":"uoadl:3389206","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3389206","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3389206","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%3A3389206","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ιακωβίδης Ιωάννης","Iakovidis Ioannis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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:3389206","https://pergamos.lib.uoa.gr/uoa/dl/object/3389206"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η 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.","The success of modern Machine Learning Algorithms often relies on the availability of a large number of accurately labeled examples. However, the process of labeling examples is laborious and prone to unreliability in practice. As a result, extensive re- search has been conducted to develop Machine Learning Algorithms that can effectively handle corrupted samples. Nevertheless, previous works have primarily focused on ad- dressing Binary Classification problems. In this thesis, we investigate Algorithms and Complexity for the challenges of Multiclass Classification with Coarse or Noisy labels. We examine the relationship between these problems and explore the computational complexity of these problems under different assumptions. Namely, we develop an algorithm for multiclass learning with agnostic label noise under the Gaussian distribution, which in terms is an algorithm for the Coarse label problem as well. Finally, we examine some special but commonly studied cases for the Coarse Label problem and develop polynomial time algorithms."]},{"key":"dc:title","label":"Title","values":["Algorithms for Multiclass Learning with Corrupted Samples"]}]}],"canonical_facts":{"dc:creator":["Ιακωβίδης Ιωάννης","Iakovidis Ioannis"],"dc:date":["2024"],"dc:description":["Η 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.","The success of modern Machine Learning Algorithms often relies on the availability of a large number of accurately labeled examples. However, the process of labeling examples is laborious and prone to unreliability in practice. As a result, extensive re- search has been conducted to develop Machine Learning Algorithms that can effectively handle corrupted samples. Nevertheless, previous works have primarily focused on ad- dressing Binary Classification problems. In this thesis, we investigate Algorithms and Complexity for the challenges of Multiclass Classification with Coarse or Noisy labels. We examine the relationship between these problems and explore the computational complexity of these problems under different assumptions. Namely, we develop an algorithm for multiclass learning with agnostic label noise under the Gaussian distribution, which in terms is an algorithm for the Coarse label problem as well. Finally, we examine some special but commonly studied cases for the Coarse Label problem and develop polynomial time algorithms."],"dc:identifier":["uoadl:3389206","https://pergamos.lib.uoa.gr/uoa/dl/object/3389206"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Algorithms for Multiclass Learning with Corrupted Samples"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:53Z"}