Η παρούσα πτυχιακή εργασία αντιμετωπίζει την πρόκληση της διατήρησης της απόδο-
σης των νευρωνικών δικτύων εν μέσω συνεχών αλλαγών στις ροές δεδομένων. Ο κύριος
στόχος είναι η ανάπτυξη ενός προσαρμοστικού μηχανισμού για την (εκ)εκπαίδευση των
μοντέλων νευρωνικών δικτύων ώστε να αντιμετωπίζουν τις εξελισσόμενες κατανομές δε-
δομένων με την πάροδο του χρόνου. Τα παραδοσιακά νευρωνικά δίκτυα συχνά δυσκο-
λεύονται να διατηρήσουν υψηλή απόδοση, καθώς εκπαιδεύονται σε στατικά σύνολα δε-
δομένων, γεγονός που τα καθιστά ευάλωτα στη φθορά της απόδοσης όταν μεταβάλλονται
τα χαρακτηριστικά των δεδομένων.
Για την υπέρβαση αυτού του περιορισμού, η έρευνα εισάγει έναν καινοτόμο αλγόριθμο
σχεδιασμένο να παρακολουθεί τις μεταβολές στις κατανομές δεδομένων μεταξύ εκπαίδευ-
σης και πραγματικών σεναρίων. Ο αλγόριθμος ανιχνεύει όταν η απόδοση ενός μοντέλου
μειώνεται λόγω της εξέλιξης των δεδομένων και ξεκινά μια διαδικασία επανεκπαίδευσης
για την επαναρύθμιση του μοντέλου, διασφαλίζοντας έτσι τη συνεχιζόμενη βέλτιστη από-
δοση.
Η πτυχιακή εργασία οργανώνεται σε πέντε κύρια κεφάλαια. Το πρώτο κεφάλαιο, με τί-
τλο Ανάλυση Δεδομένων, συζητά τεχνικές ανάλυσης και διαχείρισης των κατανομών δε-
δομένων. Το δεύτερο κεφάλαιο, με τίτλο Νευρωνικά Δίκτυα, εξετάζει την αρχιτεκτονική και
την εκπαίδευση των νευρωνικών δικτύων, εστιάζοντας στην προσαρμοστικότητα τους στις
μεταβαλλόμενες δεδομένα. Το τρίτο κεφάλαιο, με τίτλο Ομαδοποίηση, αναλύει μεθόδους
για την ομαδοποίηση δεδομένων και την αναγνώριση προτύπων που σχετίζονται με την
παρακολούθηση των αλλαγών δεδομένων. Το τέταρτο κεφάλαιο, με τίτλο Θεωρία Βέλτι-
στης Στάθμισης, παρέχει ένα πλαίσιο για τη λήψη έγκαιρων αποφάσεων σχετικά με την
επανεκπαίδευση του μοντέλου. Τέλος, το πέμπτο κεφάλαιο συζητά τη μεθοδολογία και τα
πειράματα που διεξήχθησαν, αναλύοντας τις προσεγγίσεις που χρησιμοποιήθηκαν και τα
αποτελέσματα που προέκυψαν.
Συνδυάζοντας αυτούς τους τομείς, δημιουργούμε μια ολοκληρωμένη προσέγγιση στη δια-
χείριση προσαρμοστικών νευρωνικών δικτύων, συνεισφέροντας στη βελτίωση της ανθε-
κτικότητας και της απόδοσης των μοντέλων σε δυναμικά περιβάλλοντα δεδομένων.
(EL)
This thesis addresses the challenge of sustaining neural network performance amid con-
tinuous changes in data streams. The primary focus is on developing an adaptive mechan-
ism for the (re)training of neural network models to handle evolving data distributions over
time. Traditional neural networks often struggle to maintain high performance because
they are trained on static datasets, making them vulnerable to performance degradation
when data characteristics shift.
To overcome this limitation, this research introduces an innovative algorithm designed to
monitor shifts in data distributions between training and real-world scenarios. This al-
gorithm detects when a model’s performance declines due to evolving data and initiates a
retraining process to re-calibrate the model, thereby ensuring continued optimal perform-
ance.
This thesis is organized into five main chapters. The first chapter on Data Analytics dis-
cusses techniques for analyzing and managing data distributions. The second chapter,
Neural Networks, explores the architecture and training of neural networks, with a focus
on their adaptability to changing data. The third chapter, Clustering, examines methods
for grouping data and identifying patterns relevant to monitoring data changes. The fourth
chapter on Optimal Stopping Theory provides a framework for making timely decisions
regarding model retraining. Finally, the fifth chapter discusses the methodology and ex-
periments conducted, detailing the approaches used and the results obtained.
By integrating these areas, the thesis offers a comprehensive approach to adaptive neural
network management, contributing to enhanced model robustness and performance in
dynamic data environments.
(EN)
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
