Sökträffar

    Sökträffar

    Visa alla resultat för ""
    Hittar inga resultat eller sökförslag för "."

    Söktips

    • Kontrollera att orden är rättstavade
    • Försök med andra sökord eller synonymer
    • Smalna av din sökning för att få fler träffar

    Hur kan vi hjälpa dig?

    Ny student

    Kontakta oss

    Hitta medarbetare

    Sökträffar

      Sökträffar

      Visa alla resultat för ""
      Hittar inga resultat eller sökförslag för "."

      Söktips

      • Kontrollera att orden är rättstavade
      • Försök med andra sökord eller synonymer
      • Smalna av din sökning för att få fler träffar

      Hur kan vi hjälpa dig?

      Ny student

      Kontakta oss

      Hitta medarbetare

      Högskolan i Skövde, länk till startsida

      Texten är äldre än sex månader.

      Förbättrar prestandan för stödvektormaskin-metoder

      Publicerad 28 september 2022

      De senaste åren har det varit en dramatisk ökning av mängden digital data världen över. Som en konsekvens har efterfrågan på verktyg som automatiskt kan lära sig, analysera, förstå och förutsäga data ökat markant. Shirin Tavara, doktorand på Högskolan i Skövde, har undersökt olika metoder för det.

      Shirin Tavara doktorand

      Under covid-19-pandemin nådde ökningen av mängden data nytt rekord eftersom människor i större utsträckning arbetade hemma, deltog i digitala utbildningar samt använde sociala medier och sökmotorer oftare. Machine Learning, (ML) är ett verktyg som automatiskt kan lära sig av data och fatta beslut efter behov.

      Nya utmaningar för att hantera datamängden

      Men när datamängden blir större, ökar också beräkningstiden och minnesbehovet för att lösa problem. Det gör att traditionella ML-modeller står inför nya utmaningar när det gäller att hantera den ökade mängden data. Distribuerat och parallellt lärande är lovande metoder för att förbättra prestandan hos ML-algoritmer när det gäller körtid. Att implementera en effektiv parallell ML är en svår uppgift och kommunikationen mellan distribuerade noder kan röra känsliga uppgifter.

      – Min avhandling syftar till att belysa effektiva parallella metoder inklusive algoritmiska tillvägagångssätt och parallella verktyg för att lära sig en specifik ML-metod som kallas stödvektormaskin, Support Vector Machines, (SVM). Vidare undersökte jag hur man ytterligare kan förbättra prestandan för några av de parallella SVM-metoderna och få dem att se till att uppgifter om integritet behandlas på ett säkert sätt, förklarar Shirin Tavara.

      I sin avhandling ger Shirin Tavara rekommendationer för utveckling av ett effektivt parallellt ramverk för att lösa SVM-problem. Det är rekommendationer som kan hjälpa forskare och utvecklare att använda effektiva tillvägagångssätt baserat på både krav och preferenser. Vidare kan det leda till att utveckla ett ramverk som kan sammanställa effektiva tillvägagångssätt tillsammans med integritetssäkerhet.

      – Min forskning är viktig eftersom SVM används i viktiga applikationsområden som hälsovård och läkemedelsdesign. Den används också för att förbättra prestandan för SVM när det gäller träningstid, noggrannhet eller datasekretess, vilket är viktigt för sådana applikationer.

      Forskningen som presenteras i den här avhandlingen tar upp några problem parallellt med och distribuerad beräkning av SVM:er genom fyra forskningsfrågor. Det viktigaste bidraget för denna avhandling är att ge svar på avhandlingarnas forskningsfrågor genom fem forskningsartiklar.

      Inga enkla lösningar

      Resultatet från Shirin Tavaras undersökning visar alltså att det inte finns några enkla rekommendationer som passar alla situationer och omständigheter, utan att det är upp till användarna att göra kloka val. Många problem som uppstår från big data kan lösas med hjälp av distribuerad inlärning med decentraliserad kommunikation mellan noder. Detta har empiriskt visat sig vara ett effektivt tillvägagångssätt för högpresterande inlärning av SVM även när det rör sig om mycket stora mängder data.

      Fokus i avhandlingen har främst legat på binär klassificering. Framtida forskning inom området skulle kunna genomföra olika klassificeringstekniker med flera klasser.

      Shirin Tavara menar att kommunikationsmönstret mellan noder kan förbättras ytterligare. För att göra detta kan samarbetet mellan agenterna undersökas ytterligare för att se om det kan eliminera onödig kommunikation och datautbyte. Sekretesskyddet kan förbättras med hjälp av olika strategier för att störa originaldata.

      – Slutligen tror jag att min forskning kan utvidgas till Deep Neural Networks, (DNN). Till exempel, en omfattande jämförelse av DNN och SVM samt för att studera effekten av nätverkstopologi för distribuerad inlärning av DNN.

      Shirin Tavara har blivit erbjuden en post doc-tjänst med fokus på att undersöka AI-relaterad läkemedelsdesign.

      Shirin Tavara försvarar sin avhandling, ”Distributed and Federated Learning of Support Vector Machines and Applications” fredagen 30 september på Högskolan i Skövde.

      Publicerad: 2022-09-28
      Senast ändrad: 2022-09-28
      Sidansvarig: webmaster@his.se