Development of dimensionality reduction techniques for deep learning-based pattern recognition systems.

BigData. Representar aquestes dades d'una manera intuïtiva i dinàmica és una tasca complexa, especialment a causa de l'alta dimensionalitat, que fa referència al nombre de variables que caracteritzen un objecte. La reducció de dimensió facilita l'accés ràpid a grans conjunts de dades, cosa que permet que les màquines contribueixin al descobriment i anàlisi de patrons. Ajuda a revelar propietats rellevants de les dades en integrar-les en un espai de menor dimensió, cosa que fa que la visualització sigui més efectiva. Els mètodes de reducció de dimensió espectral que utilitzen matrius kernel han mostrat resultats òptims. Les versions en línia daquests mètodes són valuoses per projectar de forma incremental noves dades sense haver de tornar a calcular tota la incrustació. A més, la integració de múltiples mètodes espectrals pot millorar-ne el rendiment. Aquesta tesi presenta NetDR, un mètode de reducció de dimensió en línia basat en xarxes neuronals profundes. NetDR integra incrustacions optimitzades per aproximacions de veïnatge i induïdes per diversos mètodes espectrals utilitzant aprenentatge d'encaix. Es proposen dues versions de NetDR: NetDRt, dissenyada per processar tensors d'imatges, i NetDRm, pensada per a dades matricials o tabulars generals. NetDRt aplica primer una etapa autosupervisada per entrenar codificadors profunds basats en incrustacions de diferents mètodes espectrals.