Συντάχθηκε 16-10-2026 14:36
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 19/10/2026 13:00
Λήξη: 19/10/2026 14:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Κυριάκου Τσάνα
με θέμα
Βελτιστοποίηση Εκπαίδευσης, Βασισμένη Σε Συνόψεις και Οδηγούμενη από GAN, για Συνεχή Νευρωνική Μάθηση Πραγματικού Χρόνου Πάνω σε Ροές Μεγάλων Δεδομένων
Synopsis Based GAN-driven Training Optimization for Continuous Real-Time Neural Learning over Big Streaming Data
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Νίκος Γιατράκος (Σχολή ΗΜΜΥ, Επιβλέπων)
Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης (Σχολή ΗΜΜΥ)
Καθηγητής Μίνως Γαροφαλάκης (Σχολή ΗΜΜΥ)
Περίληψη
Η ταχεία ανάπτυξη των πηγών δεδομένων υψηλής ταχύτητας, όπως οι πλατφόρμες κοινωνικής δικτύωσης, τα δίκτυα αισθητήρων και οι ροές βίντεο, έχει καταστήσει τη συνεχή νευρωνική μάθηση σε πραγματικό χρόνο ολοένα πιο σημαντική. Σε τέτοια περιβάλλοντα, τα νευρωνικά μοντέλα πρέπει να εξισορροπούν δυναμικά την προβλεπτική ακρίβεια έναντι των περιορισμών καθυστέρησης εκπαίδευσης, υπό συνθήκες περιορισμένης μνήμης, απεριόριστου όγκου δεδομένων και μεταβαλλόμενων κατανομών δεδομένων. Το SuBiTO αντιμετωπίζει αυτό το δίλημμα βελτιστοποιώντας από κοινού, μέσω Μπεϋζιανής βελτιστοποίησης, τις παραμέτρους της σύνοψης ροής (stream synopsis), τη διαμόρφωση του νευρωνικού δικτύου και τον αριθμό των εποχών εκπαίδευσης. Ωστόσο, ο μηχανισμός επαναδιαμόρφωσής του δεν διακρίνει ρητά τη στατιστική μετατόπιση (drift) από τις διακυμάνσεις στον όγκο ή την ταχύτητα της ροής. Ως αποτέλεσμα, οι μεταβολές του όγκου μπορεί να πυροδοτούν δαπανηρή επανα-βελτιστοποίηση, ακόμη και όταν το υποκείμενο πρόβλημα μάθησης παραμένει αμετάβλητο. Η παρούσα διπλωματική εισάγει το GASuBiTO, μια επέκταση του SuBiTO που ενσωματώνει ένα Γενετικό Ανταγωνιστικό Δίκτυο (GAN) με συνεχή εκπαίδευση, τοποθετημένο ανάμεσα στην ακατέργαστη ροή δεδομένων και τον επακόλουθο ταξινομητή. Το GAN αποτυπώνει την υποκείμενη κατανομή της εισερχόμενης ροής δεδομένων και παρέχει στον ταξινομητή συνθετικά δείγματα σε ελεγχόμενο όγκο, ενώ η Μπεϋζιανή βελτιστοποίηση προσαρμόζει τη διαδικασία εκπαίδευσής του στη μεταβαλλόμενη ροή. Η διατύπωση αυτή στοχεύει στην απορρόφηση των διακυμάνσεων όγκου πριν αυτές φτάσουν στον ταξινομητή, διατηρώντας ταυτόχρονα την ικανότητα προσαρμογής σε αλλαγές στην κατανομή της ροής. Διαχωρίζοντας τη γενετική μοντελοποίηση της ροής από τη βελτιστοποίηση του επακόλουθου ταξινομητή, το GASuBiTO αφαιρεί τον όγκο των ακατέργαστων δειγμάτων από τον χώρο αναζήτησης αρχιτεκτονικής νευρωνικού δικτύου του ταξινομητή και επιτρέπει τη ανεξάρτητη διαμόρφωση των δύο συνιστωσών. Το πλαίσιο αξιολογείται στα σύνολα δεδομένων CIFAR-10 και στα μειωμένα υποσύνολα CIFAR-5 και CIFAR-3, εξετάζοντας την καταλληλότητα των GAN για συνεχή παραγωγή σύνοψης υπό περιορισμούς χρόνου εκπαίδευσης και συγκρίνοντας το προκύπτον αντιστάθμισμα ακρίβειας–καθυστέρησης με το SuBiTO σε διάφορα σενάρια. Τα πειραματικά αποτελέσματα καταδεικνύουν ότι το GASuBiTO θυσιάζει μέρος της μέγιστης προβλεπτικής απόδοσης προς όφελος ενός πιο ευέλικτου και λειτουργικά προβλέψιμου συστήματος εκπαίδευσης, αποσυνδέοντας το κόστος βελτιστοποίησης από τον όγκο της ακατέργαστης ροής και διατηρώντας φραγμένο το κόστος προσαρμογής καθώς αυξάνεται ο όγκος του φόρτου εργασίας.
Abstract
The rapid growth of high-velocity data sources, including social media platforms, sensor networks, and video feeds, has made continuous real-time neural learning increasingly important. In such environments, neural models must dynamically balance predictive accuracy against training latency constraints under limited memory, unbounded data volume, and evolving data distributions. SuBiTO addresses this trade-off by jointly optimizing stream-synopsis parameters, neural network configuration, and training epochs through Bayesian optimization. However, its reconfiguration mechanism does not explicitly distinguish statistical drift from fluctuations in stream volume or velocity. As a result, volume changes may trigger costly re-optimization even when the underlying learning task remains unchanged. This thesis introduces GASuBiTO, an extension of SuBiTO that incorporates a continu ously trained Generative Adversarial Network (GAN) between the raw stream and the downstream classifier. The GAN captures the underlying distribution of the incoming stream and supplies the classifier with synthetic samples at a controlled volume, while Bayesian optimization adapts its training process to the evolving stream. This formulation aims to absorb volume fluctuations before they reach the classifier, while preserving the ability to adapt to changes in the stream distribution. By separating generative stream modeling from downstream classifier optimization, GASuBiTO removes raw sample volume from the classifier’s neural architecture search space and enables the two components to be configured independently. The framework is evaluated on CIFAR-10 and reduced CIFAR-5 and CIFAR-3 subsets, examining GAN suit ability for continuous synopsis generation under training-time constraints and comparing the resulting accuracy–latency trade-off with SuBiTO in various scenarios. Experimental results demonstrate that GASuBiTO trades peak predictive performance for a more versatile and operationally predictable training pipeline, decoupling optimization cost from raw-stream volume and maintaining bounded adaptation overhead as workload volume increases.
Meeting ID: 923 3902 2610
Password: 030464
