O. O. Abayomi-Alli daktaro disertacijos „Mažųjų duomenų analizė ir tyrimas naudojant dirbtinio intelekto metodus“ gynimas

Autorius, institucija: Olusola Oluwakemi Abayomi-Alli, Kauno technologijos universitetas

Mokslo sritis, kryptis: technologijos mokslai, informatikos inžinerija, T007

Mokslinis vadovas: prof. dr. Robertas Damaševičius (Kauno technologijos universitetas, technologijos mokslai, informatikos inžinerija, T007)

Informatikos inžinerijos mokslo krypties disertacijos gynimo taryba:
doc. dr. Kristina Šutienė (Kauno technologijos universitetas, gamtos mokslai, informatika, N009) – pirmininkė
prof. dr. Nikolaj Goranin (Vilniaus Gedimino technikos universitetas, technologijos mokslai, informatikos inžinerija, T007)
dr. Gražina Korvel (Vilniaus universitetas, technologijos mokslai, informatikos inžinerija, T007)
dr. Zbigniew Marszalek (Silezijos technologijos universitetas, Lenkija, technologijos mokslai, informatikos inžinerija, T007)
prof. dr. Simona Ramanauskaitė (Vilniaus Gedimino technikos universitetas, technologijos mokslai, informatikos inžinerija, T007)

Su disertacija galima susipažinti Kauno technologijos universiteto bibliotekoje (Gedimino g. 50, Kaunas) ir internete: O. O. Abayomi-Alli el. disertacija (PDF)

Disertacijos gynimas vyks Kauno technologijos universiteto Rektorato salėje (K. Donelaičio g. 73-402, Kaunas).

Anotacija: Dirbtinio intelekto (DI) metodų taikymas yra sėkminga, sparčiai auganti ir labai populiari tendencija beveik visose tyrimų srityse, siekiant efektyviai priimti sprendimus. Tačiau,
nepaisant populiarėjančio DI taikymo medicinos srityje, ribotos apimties duomenų rinkiniai vis dar yra didelis iššūkis. Naujausi literatūros šaltiniai rodo, kad duomenų papildymo metodų
taikymas yra perspektyvus būdas sprendžiant mažųjų duomenų rinkinių klasifikavimo problemas. Duomenų papildymo metodų vis dažniau taikomi gerinant kompiuterinės regos užduočių efektyvumą ir sprendžiant medicininių vaizdų analizės problemas. Nepaisant duomenų papildymo metodų populiarumo, DI modelių apmokymas vis dar susiduria su problemomis, pvz., sudėtingas tinkamų duomenų požymių nustatymas, nerealių sintetinių vaizdų generavimas, permokymo problema, aukštas skaičiavimų sudėtingumas ir kt. Siekiant išspręsti išryškintus iššūkius, šioje disertacijoje pristatomi pažangūs duomenų papildymo metodai, skirti padidinti apmokymo duomenų rinkinio dydį, įvairovę ir prieinamumą. Siūlomi duomenų papildymo metodai pagrįsti disertacijoje analizuotų duomenų rinkinių unikalumu. Disertacijoje pasiūlyti keturi veiksmingi duomenų papildymo metodai: Čebyševo ortogonalios funkcijos su tikimybės tankio funkcija (PDF), Voronojaus diagramomis grįstas atsitiktinio regiono trynimas (VDRRE), kovariantinis SMOTE metodas ir spalvų erdvės transformacijos metodų rinkinys. Siūlomi duomenų papildymo metodai gali efektyviai pagerinti klasifikavimo tikslumą, sumažinti modelių permokymą ir taip pagerinti modelių apibendrinamumą.