Λογότυπο αποθετηρίου

Πλοήγηση ανά Συγγραφέα "Subashaj, Griselda"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Mixed membership classification
    (2024-10-04) Σουμπασαϊ, Γκρισέλντα; Subashaj, Griselda; Athens University of Economics and Business, Department of Management Science and Technology; Papastamoulis, Panagiotis; Chatziantoniou, Damianos; Karlis, Dimitrios
    Τα μοντέλα με μικτή συμμετοχή μέλους είναι δημοφιλή μοντέλα με πρακτικές εφαρμογές σε διάφορους τομείς, προσφέροντας λύσεις στις προκλήσεις της ανάλυσης πολύπλοκων, πολύπλευρων δεδομένων. Αυτά τα μοντέλα δημιουργούν ένα στατιστικό πλαίσιο όπου τα σημεία δεδομένων μπορούν να ανήκουν σε πολλές κατηγορίες με διαφορετικές αναλογίες, προσφέροντας ετσι μια πιο διαφοροποιημένη προσέγγιση σε σύγκριση με τις παραδοσιακές μεθόδους ταξινόμησης. Αυτή η μελέτη εμβαθύνει σε τρία μοντέλα με μικτή συμμετοχή μέλους. Τα μοντέλα αυτα ειναι το Grade of Membership (GoM),το Latent Dirichlet Allocation (LDA) και το Mixed Membership Stochastic Block (MMSB) model. Το μοντέλο GoM αποδεικνύεται ωφέλιμο όταν τα άτομα εμφανίζουν συμμετοχή σε λανθάνουσες κατηγορίες, όπως φαίνεται στις ιατρικές διαγνώσεις, καταγράφοντας αποτελεσματικά σύνθετα πρότυπα ασθενειών. Το LDA χρησιμοποιείται συνήθως για ανάλυση κειμένου και μοντελοποίηση θεμάτων, βοηθώντας στην εξαγωγή θεμάτων από μεγάλες συλλογές κειμένων και στην επίλυση του ζητήματος της κατηγοριοποίησης εγγράφων με πολλά θέματα. Το μοντέλο MMSB αντιμετωπίζει την ανάλυση κοινωνικών δικτύων κατανοώντας τους ρόλους και τις σχέσεις των οντοτήτων μέσα στα δίκτυα, ρίχνοντας φως στις πολύπλευρες σχέσεις μέσα στις κοινωνικές δομές. Μέσω πρακτικής εφαρμογής αυτών των μοντέλων σε δεδομένα πραγματικού κόσμου, όπως μεμονωμένες έρευνες, ανάλυση εγγράφων και δεδομένα κοινωνικών δικτύων, αυτή η έρευνα δείχνει πώς αυτά τα μοντέλα βελτιώνουν την ακρίβεια και την ερμηνεία πολύπλοκων συνόλων δεδομένων. Παρόλο που υπήρχαν δυσκολίες, με την πολυπλοκότητα των υπολογισμών και την απουσία ήδη ενσωματωμένων πακέτων για τη χρήση των μοντέλων GoM και MMSB, αυτο διαχείριζεται με την δημιουργία προσαρμοσμένων αλγορίθμων για την εκτέλεση αυτών των μοντέλων.Εφαρμόζοντας τον αλγόριθμο Expectation-Maximization και στα δύο σενάρια, αυτή η έρευνα δείχνει πώς τα μικτά μοντέλα μελών μπορούν να βοηθήσουν στην καλύτερη κατανόηση των μοτύβων των δεδομένων.Στην περίπτωση του μοντέλου LDA, χρησιμοποιείται ένα υπάρχον πακέτο και εφαρμόζεται η μέθοδος Collapsed Gibbs Sampling. Τα αποτελέσματα τονίζουν την ανάγκη για μελλοντική έρευνα με επίκεντρο την αλγοριθμική απόδοση και την ερμηνευσιμότητα του μοντέλου.