Development of deep learning methods on big data with a focus on natural language processing

Read full text Summarise with VIRAT
Authors: ΠΑΝΑΓΙΩΤΗΣ ΘΕΟΧΑΡΟΠΟΥΛΟΣ
Cited by: 0
References: 182

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Η ραγδαία αύξηση της διαθεσιμότητας μεγάλης κλίμακας βιοϊατρικών δεδομένων και γλωσσικών δεδομένων έχει ανοίξει νέους ορίζοντες αλλά και έχει αναδείξει επίμονες δυσκολίες για την Τεχνητή Νοημοσύνη. Οι τεχνικές Βαθιάς Μάθησης έχουν αποδειχθεί ιδιαίτερα αποτελεσματικές στη διαχείριση ακολουθιακών και ετερογενών δεδομένων, ωστόσο η αξιοποίησή τους στην πράξη συχνά περιορίζεται από τα ελλιπή δεδομένα, τις αυξημένες υπολογιστικές ανάγκες και την απαίτηση προσαρμογής σε εξειδικευμένα πεδία. Η παρούσα διατριβή εξετάζει συστηματικά τα παραπάνω ζητήματα και εισάγει νέες μεθοδολογικές προσεγγίσεις Βαθιάς Μάθησης, οι οποίες διευρύνουν το υφιστάμενο επίπεδο της τεχνολογίας τόσο στη βιοϊατρική πρόβλεψη όσο και στην Επεξεργασία Φυσικής Γλώσσας. Στον χώρο της βιοϊατρικής, προτείνεται ένα ολοκληρωμένο πλαίσιο προγνωστικής ιατρικής ακριβείας που βασίζεται σε διαχρονικά δεδομένα Ηλεκτρονικών Φακέλων Υγείας. Το πλαίσιο συνδυάζει αναδρομικά νευρωνικά δίκτυα, τεχνικές συνδυαστικής μάθησης και προηγμένες μεθόδους αντιμετώπισης ελλιπών τιμών, με στόχο την ενίσχυση της αξιοπιστίας και της ακρίβειας στην πρόβλεψη κλινικού κινδύνου. Παράλληλα, διερευνάται ο ρόλος των φαρμακευτικών πληροφοριών και της συμμόρφωσης των ασθενών, αναδεικνύοντας τη σημασία τους για την προγνωστική απόδοση σε πραγματικές συνθήκες υγειονομικής περίθαλψης. Στον τομέα της Επεξεργασίας Φυσικής Γλώσσας, η διατριβή συνεισφέρει σε τρία διακριτά επίπεδα. Αρχικά, αξιοποιούνται μοντέλα μετασχηματιστών σε μεγάλης κλίμακας δεδομένα από μέσα κοινωνικής δικτύωσης και εισάγεται ένας μηχανισμός ανίχνευσης μεταβολών στο συναίσθημα, με σκοπό την παρακολούθηση της εξέλιξης της κοινής γνώμης κατά την περίοδο της πανδημίας του COVID-19. Στη συνέχεια, αντιμετωπίζεται το σύγχρονο ζήτημα της διάκρισης μεταξύ ανθρωπογενούς και τεχνητά παραγόμενου κειμένου, μέσω μιας προσέγγισης μεταφοράς μάθησης που επιτυγχάνει υψηλή ακρίβεια και παρουσιάζει ισχυρή γενίκευση σε διαφορετικά είδη κειμένων, από επιστημονικές περιλήψεις έως κριτικές βιβλίων. Τέλος, προτείνεται ένα επεκτάσιμο και ενεργειακά αποδοτικό σύστημα θεματικής μοντελοποίησης, το οποίο συνδυάζει ιεραρχική ομαδοποίηση με στοχευμένες εντολές σε Μεγάλα Γλωσσικά Μοντέλα, επιτυγχάνοντας την παραγωγή συνεκτικών θεμάτων με σημαντικά μειωμένο υπολογιστικό κόστος. Συνοψίζοντας, τα ευρήματα της διατριβής αποδεικνύουν ότι η Βαθιά Μάθηση μπορεί να προσαρμοστεί αποτελεσματικά σε διαφορετικές μορφές ακολουθιακών Μεγάλων Δεδομένων, με έμφαση τόσο στην ερμηνευσιμότητα όσο και στην αποδοτικότητα. Η εργασία συμβάλλει στη μεθοδολογική πρόοδο του πεδίου, εισάγει νέες εφαρμογές στην ανάλυση δεδομένων υγείας, στα μέσα κοινωνικής δικτύωσης και στα επιστημονικά κείμενα, και αναδεικνύει την ανάγκη για ανάπτυξη συστημάτων Βαθιάς Μάθησης που συνδυάζουν υψηλή ακρίβεια με υπολογιστική οικονομία, ανταποκρινόμενα στους περιορισμούς του πραγματικού κόσμου.

Fields of Study & Subjects

Topic Modeling Natural Language Processing Techniques Sentiment Analysis and Opinion Mining

Publication details

Publication date
1 March 2026
Language
EL
Document type
Thesis