Μείωση διαστάσεων για πρόγνωση σύνθετων γεγονότων

Η Αναγνώριση και Πρόβλεψη Σύνθετων Γεγονότων (Complex Event Recognition and Forecasting – CER/F) έχει αναδειχθεί σε έναν καθοριστικό τομέα της τεχνητής νοημοσύνης, καθώς αντιμετωπίζει την ανάγκη ανίχνευσης, κατανόησης και πρόβλεψης σύνθετων προτύπων σε δυναμικές και υψηλού όγκου ροές δεδομένων. Η παρούσα διπλωματική εργασία διερευνά μια νευρο-συμβολική προσέγγιση στο CER/F, ενσωματώνοντας μεθόδους μείωσης διαστασιμότητας στο πλαίσιο Wayeb — ένα σύστημα βασισμένο σε αυτόματα, σχεδιασμένο για αποδοτική πρόβλεψη. Η μελέτη εστιάζει στη μείωση διαστασιμότητας ως βασική στρατηγική για τη βελτίωση της απόδοσης και της ερμηνευσιμότητας του μοντέλου, ιδιαίτερα μέσω μεθόδων επιλογής χαρακτηριστικών που εντοπίζουν και διατηρούν τα πλέον σημαντικά γνωρίσματα. Με τη μείωση της διαστασιμότητας των δεδομένων εισόδου, το αλφάβητο που τροφοδοτεί το αυτόματο απλοποιείται, επιτρέποντας πιο αποδοτικούς υπολογισμούς και βελτιωμένη ακρίβεια στις εργασίες CER/F, διατηρώντας παράλληλα την ερμηνευτική ακεραιότητα της συμβολικής συλλογιστικής. Για την επικύρωση της προτεινόμενης προσέγγισης, πραγματοποιούνται εκτεταμένα πειράματα χρησιμοποιώντας συνθετικά σύνολα δεδομένων. Η επίδραση της μείωσης διαστασιμότητας στην ακρίβεια αναγνώρισης και πρόβλεψης, στην αποδοτικότητα εκτέλεσης και στην ερμηνευσιμότητα του μοντέλου αξιολογείται διεξοδικά. Τα αποτελέσματα δείχνουν ότι η επιλογή χαρακτηριστικών βελτιώνει σημαντικά την επεκτασιμότητα του πλαισίου Wayeb και διευκολύνει την καλύτερη γενίκευση στην πρόβλεψη σύνθετων γεγονότων.