Dimensionality reduction for complex event forecasting

Sidiropoulos, Michail; Σιδηρόπουλος, Μιχαήλ

dc.contributor.advisor	Alevizos, Elias
dc.contributor.advisor	Αλεβίζος, Ηλίας
dc.contributor.author	Sidiropoulos, Michail
dc.contributor.author	Σιδηρόπουλος, Μιχαήλ
dc.date.accessioned	2026-02-20T14:41:11Z
dc.date.available	2026-02-20T14:41:11Z
dc.date.issued	2026-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/18920
dc.description.abstract	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.	el
dc.format.extent	87	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.title	Dimensionality reduction for complex event forecasting	el
dc.title.alternative	Μείωση διαστάσεων για πρόγνωση σύνθετων γεγονότων	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Complex Event Recognition and Forecasting (CER/F) has emerged as a pivotal area in artificial intelligence, addressing the need to detect, understand, and predict intricate patterns in dynamic and high-volume data streams. This thesis explores a neuro-symbolic approach to CER/F by integrating dimensionality reduction methods with the Wayeb framework—an automata-based system designed for efficient forecasting. The study focuses on dimensionality reduction as a key strategy to enhance model performance and interpretability, particularly through feature selection methods that identify and retain the most relevant attributes. By reducing the dimensionality of the input data, the alphabet fed into the automaton is simplified, enabling more efficient computations and improved accuracy in CER/F tasks, while preserving the interpretive integrity of symbolic reasoning. To validate the approach, extensive experiments are conducted using synthetic datasets. The impact of dimensionality reduction on recognition and forecasting accuracy, runtime efficiency, and model interpretability is thoroughly evaluated. Results indicate that feature selection significantly improves the scalability of the Wayeb framework and facilitates better generalization in forecasting complex events.	el
dc.corporate.name	National Center of Scientific Research "Demokritos"	el
dc.contributor.master	Τεχνητή Νοημοσύνη - Artificial Intelligence	el
dc.subject.keyword	CEF	el
dc.subject.keyword	Complex event forecasting	el
dc.subject.keyword	Artificial Inteligence	el
dc.subject.keyword	Neural networks	el
dc.subject.keyword	Dimensionality reduction	el
dc.subject.keyword	Feature selection	el
dc.subject.keyword	Feature importance	el
dc.subject.keyword	AI	el
dc.date.defense	2026-02-18

Files in this item

Name:: Sidiropoulos_mtn2320.pdf
Size:: 4.676Mb
Format:: PDF
Description:: Master thesis

View/Open

This item appears in the following Collection(s)

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα