Institutional Repository
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/451A5CA8-A6BE-449C-9B8D-EBC95D16466C | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.91161 | - |
| Language | en | - |
| Extent | 54 pages | en |
| Extent | 2.9 megabytes | en |
| Title | Distributed multivariate regression via functional geometric monitoring | en |
| Title | Κατανεμημένη Πολυπαραγοντική Παλινδρόμιση μέσω της Γεωμετρικής Παρακολούθησης | el |
| Creator | Seisaki Eftychia | en |
| Creator | Σεισακη Ευτυχια | el |
| Contributor [Thesis Supervisor] | Samoladas Vasilis | en |
| Contributor [Thesis Supervisor] | Σαμολαδας Βασιλης | el |
| Contributor [Committee Member] | Deligiannakis Antonios | en |
| Contributor [Committee Member] | Δεληγιαννακης Αντωνιος | el |
| Contributor [Committee Member] | Lagoudakis Michail | en |
| Contributor [Committee Member] | Λαγουδακης Μιχαηλ | el |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Content Summary | Multivariate linear regression is an important and massively used technique for modeling and predicting data behavior in many fields. In scenarios where the data evolves over time, it is essential to monitor the model in order to identify possible changes. This becomes more challenging, when the data is distributed at a number of different nodes and the regression model must be recomputed to avoid inaccuracy. In such dynamic settings, data centralization and periodic model recomputation can be wasteful. Therefore, the goal is to develop a technique which conserves a precise approximation of the model over the union of all nodes’ data in a communicationefficient fashion. We propose a monitoring algorithm for multivariate regression models of distributed data streams, based on the basic notions of Functional Geometric Monitoring (FGM), which guarantees a bounded model error and demands communication only when the estimated model has fairly departed from the current global. Our experimental results clearly demonstrate a reduction in communication cost while maintaining the desired model accuracy, compared to similar existing models. | en |
| Content Summary | Η Πολυπαραγοντική Γραμμική Παλινδρόμηση είναι μια σημαντική και καθολικά χρησιμοποιούμενη τεχνική που διαμορφώνει και προβλέπει τη συμπεριφορά δεδομένων σε πολλά πεδία. Σε σενάρια όπου τα δεδομένα εξελίσσονται με την πάροδο του χρόνου, είναι απαραίτητο να παρακολουθείται το μοντέλο, προκειμένου να εντοπιστούν πιθανές αλλαγές. Αυτή η κατάσταση γίνεται ακόμα πιο απαιτητική, όταν τα δεδομένα κατανέμονται σε ένα πλήθος από κόμβους και το μοντέλο παλινδρόμησης πρέπει να υπολογιστεί εκ νέου για να αποφευχθεί η ανακρίβεια. Η κεντρικοποίηση δυναμικών δεδομένων καθώς και ο περιοδικός επανυπολογισμός του μοντέλου μπορεί να αποδειχθεί ασύμφορος. Ως εκ τούτου, είναι σημαντική η ανάπτυξη μιας τεχνικής που διατηρεί μια εκτίμηση του μοντέλου με σχετική ακρίβεια πάνω από την ένωση των δεδομένων όλων των κόμβων σε ένα δίκτυο. Προτείνουμε έναν αλγόριθμο παρακολούθησης για μοντέλα πολυπαραγοντικής παλινδρόμησης κατανεμημένων ροών δεδομένων, που βασίζεται στο πρωτόκολλο της Γεωμετρικής Παρακολούθησης, η οποία εγγυάται ένα περιορισμένο σφάλμα μοντέλου και απαιτεί επικοινωνία μόνο όταν το προϋπολογισμένο μοντέλο απέχει αρκετά από το τρέχον. Στόχος μας είναι να συγκρίνουμε εμπειρικά την προτεινόμενη μέθοδο με άλλα υπάρχοντα μοντέλα, προκειμένου να εξετάσουμε αν μπορεί να επιτύχει λιγότερη επικοινωνία, διατηρώντας παράλληλα την επιθυμητή ακρίβεια μοντέλου. | el |
| Type of Item | Διπλωματική Εργασία | el |
| Type of Item | Diploma Work | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2021-12-22 | - |
| Date of Publication | 2021 | - |
| Subject | Functional geometric monitoring | en |
| Subject | Distributed regression | en |
| Subject | Machine learning | en |
| Bibliographic Citation | Eftychia Seisaki, "Distributed multivariate regression via functional geometric monitoring", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2021 | en |
| Bibliographic Citation | Ευτυχία Σεισάκη, "Κατανεμημένη Πολυπαραγοντική Παλινδρόμιση μέσω της Γεωμετρικής Παρακολούθησης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021 | el |
Copyright © DIAS 2013
