MARC

 008250123s2024        us                              c    eng  d
■001000017163135
■00520250211152139
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384019435
■035    ▼a(MiAaPQ)AAI31484544
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aTrevino  Gavito,  Andrea.
■24510▼aTopics  in  Artificial  Intelligence
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a102  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Klabjan,  Diego.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aArtificial  intelligence  (AI)  is  as  a  collective  term  that  encompasses  various  technologies  such  as  machine  learning,  deep  learning,  computer  vision,  and  natural  language  processing,  among  others.  It  refers  to  the  capability  of  computer  systems  to  perform  tasks  traditionally  demanding  human  intellect  and  continues  to  be  a  vigorously  evolving  field  of  research  and  ongoing  advancement.  As  we  navigate  through  the  era  of  big  data,  the  remarkable  advancements  in  computing  power  have  unlocked  new  horizons  for  AI,  enabling  it  to  integrate  into  various  aspects  of  our  daily  lives,  drive  innovation  and  redefine  the  boundaries  of  what  is  possible.AI  has  become  a  foundational  element  in  fields  ranging  from  healthcare  and  finance  to  manufacturing,  education,  and  transportation,  demonstrating  its  potential  impact  across  diverse  sectors  and  its  remarkable  adaptability.  This  versatility  has  been  propelled  as  AI  has  advanced  its  proficiency  in  processing  a  wider  range  of  data  types,  such  as  images,  text,  video,  and  tabular  datasets.  With  this  exponential  growth  and  integration  into  critical  decision-making  processes,  the  importance  of  understanding  the  rationale  behind  AI's  decisions  has  also  become  crucial  for  building  trust  and  ensuring  ethical  outcomes.  This  dissertation  consists  of  three  chapters,  each  of  which  delves  into  a  distinct  topic  within  the  realm  of  AI,  1)  Unsupervised  Echocardiogram  View  Detection  via  Autoencoder-based  Representation  Learning,  2)  Gradient-boosted  Based  Structured  and  Unstructured  Learning,  and  3)  Multi-Layer  Attention-Based  Explainability  via  Transformers  for  Tabular  Data.In  the  first  chapter,  we  focus  on  a  healthcare  application  and  introduce  a  fully  unsupervised  echocardiographic  view  detection  framework.  It  leverages  convolutional  autoencoders  to  obtain  lower  dimensional  representations  and  the  K-means  algorithm  for  clustering  them  into  view-related  groups.  Our  approach  focuses  on  discriminative  patches  from  echocardiographic  frames.  Additionally,  we  propose  a  trainable  inverse  average  layer  to  optimize  decoding  of  average  operations.  By  integrating  both  public  and  proprietary  datasets,  we  demonstrate  that  significant  improvements  in  model  performance  can  be  achieved  when  supplementing  proprietary  datasets  with  additional  data  sources.The  second  chapter  delves  into  the  intricacies  of  handling  multi-modal  data.  We  propose  two  frameworks  to  deal  with  problem  settings  in  which  both  structured1  and  unstructured  data  are  available.  Historically,  structured  data  problems  are  best  solved  by  traditional  machine  learning  models  such  as  boosting  and  tree-based  algorithms,  whereas  deep  learning  has  been  widely  applied  to  problems  dealing  with  images,  text,  audio,  and  other  unstructured  data  sources.  For  the  setting  in  which  structured  and  unstructured  data  are  be  available,  our  proposed  frameworks  allows  joint  learning  on  both  data  types  by  integrating  the  paradigms  of  boosting  models  and  deep  neural  networks.The  first  framework,  the  boosted-feature-vector  deep  learning  network,  learns  features  from  the  structured  data  using  gradient  boosting  and  combines  them  with  embeddings  from  unstructured  data  via  a  two-branch  deep  neural  network.  The  second  framework,  the  two-weak-learner  boosting  framework,  extends  the  boosting  paradigm  to  the  setting  with  two  input  data  sources.  We  present  and  compare  first-  and  second-order  methods  of  this  framework.In  the  third  chapter,  model  explainability  is  the  main  emphasis.  We  propose  a  graph-oriented  attention-based  explainability  method  for  tabular  data.  A  transformer  architecture  for  tabular  data,  which  is  amenable  to  explainability,  is  considered.  A  novel  method  to  leverage  self-attention  mechanism  to  provide  explanations  by  taking  into  account  the  attention  matrices  of  all  heads  and  layers  as  a  whole  is  introduced.  The  matrices  are  mapped  to  a  graph  structure  where  groups  of  features  correspond  to  nodes  and  attention  values  to  arcs.  By  finding  the  maximum  probability  paths  in  the  graph,  we  identify  groups  of  features  providing  larger  contributions  to  explain  the  model's  predictions.  To  assess  the  quality  of  multi-layer  attention-based  explanations,  we  compare  them  with  popular  attention-,  gradient-,  and  perturbation-based  explainability  methods.
■590    ▼aSchool  code:  0163.
■650  4▼aIndustrial  engineering
■650  4▼aComputer  science
■650  4▼aMedical  imaging
■650  4▼aInformation  technology
■653    ▼aMachine  learning
■653    ▼aDeep  learning
■653    ▼aNatural  language  processing
■653    ▼aEchocardiograms
■653    ▼aUnstructured  learning
■690    ▼a0546
■690    ▼a0800
■690    ▼a0984
■690    ▼a0489
■690    ▼a0574
■71020▼aNorthwestern  University▼bIndustrial  Engineering  and  Management  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163135▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서