Causal and contextual information extraction and data enrichment methods with emphasis on artificial intelligence-driven optimization algorithms for cloud and edge computing

Abstract

Τα πεδία Ανακάλυψης Αιτιότητας (Causal Discovery) και Επίγνωσης Πλαισίου Αναφοράς (Context Awareness) αποτελούν κεντρικά θέματα στην έρευνα εδώ και πολλά χρόνια. Με τις ρίζες της βαθιά ριζωμένες στην επιστημονική έρευνα, στα στατιστικά συμπεράσματα και σε φιλοσοφικά ερωτήματα, η Ανακάλυψη Αιτιότητας έχει ενθουσιάσει τους ερευνητές λόγω του βασικού της ρόλου στην αποκάλυψη των σχέσεων μεταξύ των μεταβλητών. Η σημασία της, έγκειται στο ότι δεν αρκείται μόνο στη κατανόηση του τι συμβαίνει, αλλά και τους λόγους για τους οποίους συμβαίνει αυτό, γεγονός που τη καθιστά απαραίτητη σε πολλά επιστημονικά πεδία. Η Επίγνωση Πλαισίου Αναφοράς από την άλλη πλευρά, αναφέρεται στην ικανότητα ενός συστήματος να κατανοεί το περιβάλλον στο οποίο χρησιμοποιείται καθώς και ποιοι είναι οι παράγοντες που το επηρεάζουν. Δεδομένων όλων των παραπάνω, τόσο η Ανακάλυψη Αιτιότητας, όσο και η Επίγνωση Πλαισίου Αναφοράς αποτελούν θέματα ζωτικής σημασίας όταν αφορούν στην ανάπτυξη συστημάτων Τεχνητής Νοημοσύνης που μπορούν να είναι πιο ακριβή, ισχυρά και γενικεύσιμα. Η παρούσα διατριβή εστιάζει στο σχεδιασμό, την υλοποίηση και την εφαρμογή δύο μεθόδων Εξαγωγής Αιτιότητας και δεδομένων σχετικών με το Πλαίσιο Αναφοράς που μπορούν να χρησιμοποιηθούν για τον εμπλουτισμό των συνόλων δεδομένων με τελικό σκοπό τη βελτίωση μοντέλων Μηχανικής Μάθησης. Η πρώτη μέθοδος αναγννωρίζει τις παρατηρήσεις με τη μεγαλύτερη επιρροή σε ένα σύνολο δεδομένων με σκοπό τη δημιουργία ενός συνόλου δεδομένων βασισμένο σε αυτές. Η δεύτερη μέθοδος ανακαλύπτει τις αιτιώδεις σχέσεις που μπορεί να υπάρχουν σε ένα σύνολο δεδομένων και στη συνέχεια χρησιμοποιεί αυτές τις πληροφορίες για να δημιουργήσει αιτιακά χαρακτηριστικά τα οποία τελικά ενσωματώνονται στο αρχικό σύνολο δεδομένων. Προκειμένου να αξιολογηθεί η απόδοση των μεθόδων, έχουν εφαρμοστεί σε διαφορετικά πλαίσια και στρατηγικές που χρησιμοποιούνται για τη βελτιστοποίηση περιβάλλοντων Υπολογιστικών Νεφών (Cloud Computing) και Υπολογιστικής Επεξεργασίας στη Περιφέρεια (Edge Computing). Τα αποτελέσματα δείχνουν ότι οι μέθοδοι μπορούν να εξάγουν αποτελεσματικά πληροφορίες σχετικά με το Πλαίσιο Αναφοράς και τις Αιτιακές σχέσεις που υπάρχουν. Ακόμη αποδεικνύεται ότι η αξιοποίηση αυτών των πληροφοριών μπορεί να βελτιώσει σημαντικά την απόδοση των αλγορίθμων Μηχανικής Μάθησης. Τέλος, η παρούσα παρουσιάζει πιθανές κατευθύνσεις για μελλοντική έρευνα που θα μπορούσε να βασιστεί στα ευρήματα της τρέχουσας διατριβής.