008240612s2023      us  |||||||||||||||c||eng  d
■001000016934707
■00520240214101644
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380366731
■035    ▼a(MiAaPQ)AAI30633281
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aDas,  Hari  Prasanna.
■24510▼aData-Centric  Machine  Learning  for  Human-Centric  Applications▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(131  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Spanos,  Costas  J.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aClimate  change  and  pandemics  are  two  of  the  most  pressing  threats  facing  humanity  today.  Addressing  these  urgent  threats  require  immediate  mitigative  actions.  In  the  US,  buildings  are  responsible  for  40%  of  primary  energy  consumption,  73%  of  electrical  use  and  40%  of  greenhouse  gas  emissions,  the  primary  cause  of  global  warming,  and  such  high  levels  are  now  rapidly  spreading  across  the  rest  of  the  world.  At  the  same  time,  buildings  are  integral  to  human  lives,  as  we  spend  most  of  our  time  in  them  which  substantially  affects  our  health  and  productivity.  So,  for  climate  change  mitigation,  it  is  essential  to  optimize  energy  use  in  buildings  while  ensuring  human  comfort.  On  the  other  hand,  for  pandemics  mitigation,  it  is  crucial  to  diagnose  and  have  a  better  understanding  of  the  new  disease  in  a  time-sensitive  manner.  Over  the  years,  Machine  Learning  (ML)  as  a  tool  has  been  widely  utilized  for  both  the  above  efforts.  However,  both  buildings  and  pandemic-specific  healthcare  systems  exhibit  a  number  of  shared  data-specific  challenges,  hindering  robust  ML  implementations.We  will  present  3  major  research  works  on  tackling  them  with  generative  modeling,  and  transfer  learning.  The  first  work  will  be  on  conditional  synthetic  data  generation,  where  the  focus  is  to  conditionally  generate  synthetic  data  for  classes  with  infrequent  data  points.  The  applications  include  tackling  class  imbalance  in  healthcare  data,  and  privacy-preserving  data  sharing.  The  second  will  be  on  improved  pre-processing  methods  for  tabular  data  (a  common  data  type  in  smart  buildings)  to  enable  seamless  use  by  many  ML  algorithms.  To  improve  the  generalizability  and  scalability  of  the  models,  the  third  work  will  be  on  a  transfer  learning-based  adversarial  domain  adaptation  method,  with  applications  in  adapting  personal  thermal  comfort  models  in  buildings  from  one  occupant  to  another  without  using  any  data  labels  for  the  target  occupant.  With  this  method,  the  time  and  the  resource-intensive  task  of  acquiring  multiple  labels  for  the  target  environment  in  a  building  can  be  avoided.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science.
■650  4▼aElectrical  engineering.
■650  4▼aEnergy.
■653    ▼aClimate  change
■653    ▼aGenerative  modeling
■653    ▼aMachine  learning
■653    ▼aSmart  buildings
■653    ▼aThermal  comfort
■690    ▼a0984
■690    ▼a0544
■690    ▼a0791
■690    ▼a0800
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934707▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024