Back to search

Aristotle University Of Thessaloniki (AUTH)

Deep learning methods for sequential decision-making in dynamic systems

Abstract

dc:description

Η παρούσα διδακτορική διατριβή εξετάζει την ανάπτυξη, τη βελτίωση και την αξιολόγηση μεθόδων Βαθιάς Μάθησης για τη διαδοχική λήψη αποφάσεων σε σύνθετα και δυναμικά συστήματα. Τα συστήματα αυτά χαρακτηρίζονται από χρονικές εξαρτήσεις, αβεβαιότητα, θορυβώδεις παρατηρήσεις, μερική παρατηρησιμότητα, μη στάσιμες συνθήκες και περιβάλλοντα που μεταβάλλονται συνεχώς. Βασικός στόχος της διατριβής είναι η σχεδίαση ευφυών μοντέλων που μπορούν να εξάγουν χρήσιμες αναπαραστάσεις από ακολουθιακά δεδομένα, να προσαρμόζουν τις αποφάσεις τους με την πάροδο του χρόνου και να λειτουργούν αξιόπιστα υπό πραγματικούς περιορισμούς. Οι προτεινόμενες μέθοδοι συνδυάζουν τη Βαθιά Μάθηση, την Ενισχυτική Μάθηση, τη μάθηση μέσω μίμησης, την εκτίμηση αβεβαιότητας και τη φυσικά καθοδηγούμενη μάθηση, με εφαρμογές στις αλγοριθμικές συναλλαγές, την αυτόνομη οδήγηση, τη ρομποτική και τη μοντελοποίηση δυναμικών συστημάτων. Στον τομέα των αλγοριθμικών συναλλαγών, παρουσιάζονται μέθοδοι όπως οι TraderNet-CR, UNSURE, VPM και ViT², οι οποίες επεξεργάζονται χρηματοοικονομικές χρονοσειρές και υποστηρίζουν τη λήψη αποφάσεων σε αγορές κρυπτονομισμάτων. Οι προσεγγίσεις αυτές μελετούν την εκμάθηση αναπαραστάσεων της αγοράς, τη λήψη αποφάσεων με επίγνωση του κινδύνου, την εκτίμηση της αβεβαιότητας και τη μεταφορά γνώσης μεταξύ διαφορετικών αγορών. Ιδιαίτερη έμφαση δίνεται στην ανθεκτικότητα των μοντέλων σε συνθήκες υψηλής μεταβλητότητας και στον περιορισμό του κινδύνου που προκαλούν αναξιόπιστες ή υπερβολικά βέβαιες προβλέψεις. Στην αυτόνομη οδήγηση αναπτύσσονται αρχιτεκτονικές για την αντίληψη του περιβάλλοντος, την εκμάθηση πολιτικών οδήγησης και τον προσαρμοστικό έλεγχο του οχήματος. Οι μέθοδοι CIL++, CILRL++ και CILRLv3 συνδυάζουν την υπό συνθήκη μάθηση μέσω μίμησης με την Ενισχυτική Μάθηση, με στόχο τη βελτίωση της οδηγικής επίδοσης, της γενίκευσης και της προσαρμογής σε άγνωστες καταστάσεις. Παράλληλα, μελετώνται πολυτροπικές και χρονικές αναπαραστάσεις, ενώ η μέθοδος NADAS αφορά προσαρμοστικά συστήματα υποβοήθησης οδηγού που λειτουργούν υπό υπολογιστικούς περιορισμούς και απαιτήσεις πραγματικού χρόνου. Η διατριβή εξετάζει επίσης τον έλεγχο ενός ανθρωπομορφικού ρομποτικού χεριού InMoov. Αναπτύσσονται μοντέλα Βαθιάς Μάθησης που μετατρέπουν οπτικές πληροφορίες και εντολές φυσικής γλώσσας σε κινήσεις των ενεργοποιητών του ρομπότ, επιτρέποντας τη μεταφορά ανθρώπινων κινήσεων και τον έλεγχο του χεριού μέσω ομιλίας. Tέλος, μελετώνται Φυσικά Καθοδηγούμενα Νευρωνικά Δίκτυα για τη μοντελοποίηση δυναμικών συστημάτων που περιγράφονται από διαφορικές εξισώσεις. Οι μέθοδοι GPS, GENESIS, REPS και GENERAL εισάγουν προσαρμοστικές και στοχαστικές στρατηγικές δειγματοληψίας, οι οποίες επικεντρώνουν την εκπαίδευση στις περισσότερο πληροφοριακές περιοχές του φυσικού πεδίου. Με τον τρόπο αυτό βελτιώνεται η σύγκλιση και η ακρίβεια των μοντέλων, ιδιαίτερα σε προβλήματα με σύνθετη δυναμική και απότομες μεταβολές της λύσης. Συνολικά, η διατριβή καταδεικνύει ότι η αξιόπιστη διαδοχική λήψη αποφάσεων απαιτεί τον συνδυασμό της μάθησης αναπαραστάσεων από δεδομένα με την εκτίμηση αβεβαιότητας, την προσαρμοστικότητα, την αξιοποίηση γνώσης του πεδίου και την ενσωμάτωση περιορισμών της εκάστοτε εφαρμογής. Τα αποτελέσματα συμβάλλουν στην ανάπτυξη ευφυών συστημάτων που είναι ακριβέστερα, αποδοτικότερα, επεκτάσιμα και περισσότερο αξιόπιστα σε σύνθετα περιβάλλοντα του πραγματικού κόσμου.

Degree

thesis:*
Grantor dc:publisher
Aristotle University Of Thessaloniki (AUTH)
Year dc:date
2026

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Kochliaridis, Vasileios
  • Κοχλιαρίδης, Βασίλειος

Subjects

dc:subject × 10

Rights

Language dc:language
eng

Identifiers

dc:identifier.*
Identifier
10.12681/eadd/62340

Chain of custody

source
Harvested from
Greek National Archive of PhD Theses
Base URL
phdtheses.ekt.gr/eadd_oai/request
Last updated
2026-11-18
Source record
OAI-PMH GetRecord
citation

Kochliaridis, Vasileios; Κοχλιαρίδης, Βασίλειος. Deep learning methods for sequential decision-making in dynamic systems. Aristotle University Of Thessaloniki (AUTH), 2026. http://hdl.handle.net/10442/hedi/62340