Επαναληπτική ομαλοποίηση για προβλήματα ταξινόμησης μέσω διαγώνιων μεθόδων κλίσης της συνάρτησης κόστους hinge

Επαναληπτική ομαλοποίηση για προβλήματα ταξινόμησης μέσω διαγώνιων μεθόδων κλίσης της συνάρτησης κόστους hinge
Επαναληπτική ομαλοποίηση για προβλήματα ταξινόμησης μέσω διαγώνιων μεθόδων κλίσης της συνάρτησης κόστους hinge

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ
Τμήμα Μηχανολόγων Μηχανικών
 
Πρόγραμμα Μεταπτυχιακών Σπουδών «ΔΙΟΙΚΗΣΗ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ KAI LOGISTICS» (ΔΕΑL)
http://master-supply-chain-management-logistics.mie.uth.gr
 

Σειρά Σεμιναρίων-Webinars «Σύγχρονες Πρακτικές & Τεχνολογίες Διοίκησης Εφοδιαστικής Αλυσίδας & Logistics»

Τίτλος Σεμιναρίου: Επαναληπτική ομαλοποίηση για προβλήματα ταξινόμησης μέσω διαγώνιων μεθόδων κλίσης της συνάρτησης κόστους hinge

Ομιλητής: Δρ. Βασίλης Απιδόπουλος*
Speaker: Dr. Vasilis Apidpoulos*
 
Τετάρτη 11/01/2023, Ώρα: 13:00

Αίθουσα Συνεδριάσεων Τμήματος Μηχανολόγων Μηχανικών, οδός Σέκερη, Πεδίον Άρεως, 38334 Βόλος
Για συμμετοχή στην εκδήλωση με τηλεδιάσκεψη μέσω Microsoft Teams, συνδεθείτε στο κανάλι General της ομάδας PMS DEAL πατώντας τον σύνδεσμο που ακολουθεί στο τέλος του μηνύματος.

---

Περίληψη: Η επαναληπτική ομαλοποίηση είναι μια κλασική ιδέα στη θεωρία της ομαλοποίησης, η οποία έχει γίνει πρόσφατα δημοφιλής στη μηχανική μάθηση. Από τη μία πλευρά, επιτρέπει το σχεδιασμό αποδοτικών αλγορίθμων που ελέγχουν συγχρόνως την αριθμητική καθώς και τη στατιστική ακρίβεια. Από την άλλη πλευρά, επιτρέπει την καλύτερη ανίχνευση των καμπυλών μάθησης που παρατηρούνται κατά την εκπαίδευση των νευρωνικών δικτύων. Στην παρούσα εργασία, εστιάζουμε στην επαναληπτική ομαλοποίηση στο πλαίσιο των προβλημάτων ταξινόμησης (classification). Αφού συγκρίνουμε αυτό το πλαίσιο με εκείνο της παλινδρόμησης (regression) και των αντίστροφων προβλημάτων, αναπτύσσουμε μια μέθοδο επαναληπτικής ομαλοποίησης που βασίζεται στη χρήση της συνάρτησης κόστους hinge. Πιο συγκεκριμένα μελετάμε μια διαγώνια προσέγγιση για μια οικογένεια αλγορίθμων για την οποία αποδεικνύουμε σύγκλιση καθώς και ταχύτητα σύγκλισης. Η προσέγγισή μας συγκρίνεται ευνοϊκά με εναλλακτικές μεθόδους, όπως επιβεβαιώνεται και σε αριθμητικές προσομοιώσεις.

 

* Ο Βασίλης Απιδόπουλος είναι Μεταδιδακτορικός Ερευνητής στο Εργαστήριο Υπολογιστικής και Στατιστικής Μάθησης (LCSL) του Ερευνητικού Κέντρου MaLGa του Πανεπιστημίου της Γένοβας, όπου συνεργάζεται με τη Silvia Villa και τον Lorenzo Rosasco. Ολοκλήρωσε το διδακτορικό του στο Institut de Mathématiques de Bordeaux, υπό την επίβλεψη των Charles Dossal και Jean-François Aujol. Οι μεταπτυχιακές σπουδές του πραγματοποιήθηκαν στο Πανεπιστήμιο Claude Bernard Lyon 1 και στην École Normale Supérieure de Lyon, και οι προπτυχιακές σπουδές του ολοκληρώθηκαν στο Τμήμα Μαθηματικών του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης. Τα ερευνητικά του ενδιαφέροντα είναι στη βελτιστοποίηση (optimization) με εφαρμογές στη μηχανική μαθηση (machine learning).

 
---

Θα θέλαμε να σας γνωστοποιήσουμε πως με τη συμμετοχή σας στην πλατφόρμα του Microsoft Teams συναινείτε στην εμφάνιση της εικόνας και της φωνής σας με τη χρήση βίντεο καθώς και στην προβολή του ονόματός σας στις οθόνες των συμμετεχόντων, έτσι ώστε να πραγματοποιηθεί συζήτηση στο πλαίσιο της παρουσίασης. Οι διοργανωτές διατηρούν δικαίωμα βιντεοσκόπησης της εκδήλωσης και διατήρησης του αρχείου για 30 ημέρες.