Causal and contextual information extraction and data enrichment methods with emphasis on artificial intelligence-driven optimization algorithms for cloud and edge computing

Abstract

Causal Discovery and Context Awareness are central subjects in research for many years. With its origins deeply rooted in scientific research, statistical inference, and philosophical questions, causality has thrilled researchers due to its key role in revealing the relationships between variables. Its significance lies in the pursuit of understanding of not just what happens, but why it happens, and thus making it vital in many scientific fields. Context awareness on the other hand, refers to the ability of a system to understand the context and what are the factors that affect the environment in which it is being used. That being said, Causal Discovery and Context Awareness are of crucial importance when it comes to the development of Artificial Intelligence systems that can be more accurate, robust and generalizable. This thesis focuses on the design and implementation of two Contextual and Causal Extraction methods which can be used for the enrichment of datasets towards the improvement of Machine Learning models. The first method identifies the most influential instances in a dataset and utilizes them in order to generate an Influence-based dataset. The second method discovers the causal relationships that may exist in a dataset and afterwards utilizes this information to generate causal features in order to incorporate this information to the initial dataset. In order to evaluate the methods' performance they have been applied in several, diverse frameworks and strategies used for the optimization of Cloud and Edge Computing environments. The results show that the methods can effectively extract contextual and causal information from datasets. Furthermore, the evaluation proves that the utilization of this information can significantly improve the performance of Machine Learning models. This thesis also provides potential directions for future research that could build upon the findings of the current thesis.

Τα πεδία Ανακάλυψης Αιτιότητας (Causal Discovery) και Επίγνωσης Πλαισίου Αναφοράς (Context Awareness) αποτελούν κεντρικά θέματα στην έρευνα εδώ και πολλά χρόνια. Με τις ρίζες της βαθιά ριζωμένες στην επιστημονική έρευνα, στα στατιστικά συμπεράσματα και σε φιλοσοφικά ερωτήματα, η Ανακάλυψη Αιτιότητας έχει ενθουσιάσει τους ερευνητές λόγω του βασικού της ρόλου στην αποκάλυψη των σχέσεων μεταξύ των μεταβλητών. Η σημασία της, έγκειται στο ότι δεν αρκείται μόνο στη κατανόηση του τι συμβαίνει, αλλά και τους λόγους για τους οποίους συμβαίνει αυτό, γεγονός που τη καθιστά απαραίτητη σε πολλά επιστημονικά πεδία. Η Επίγνωση Πλαισίου Αναφοράς από την άλλη πλευρά, αναφέρεται στην ικανότητα ενός συστήματος να κατανοεί το περιβάλλον στο οποίο χρησιμοποιείται καθώς και ποιοι είναι οι παράγοντες που το επηρεάζουν. Δεδομένων όλων των παραπάνω, τόσο η Ανακάλυψη Αιτιότητας, όσο και η Επίγνωση Πλαισίου Αναφοράς αποτελούν θέματα ζωτικής σημασίας όταν αφορούν στην ανάπτυξη συστημάτων Τεχνητής Νοημοσύνης που μπορούν να είναι πιο ακριβή, ισχυρά και γενικεύσιμα. Η παρούσα διατριβή εστιάζει στο σχεδιασμό, την υλοποίηση και την εφαρμογή δύο μεθόδων Εξαγωγής Αιτιότητας και δεδομένων σχετικών με το Πλαίσιο Αναφοράς που μπορούν να χρησιμοποιηθούν για τον εμπλουτισμό των συνόλων δεδομένων με τελικό σκοπό τη βελτίωση μοντέλων Μηχανικής Μάθησης. Η πρώτη μέθοδος αναγννωρίζει τις παρατηρήσεις με τη μεγαλύτερη επιρροή σε ένα σύνολο δεδομένων με σκοπό τη δημιουργία ενός συνόλου δεδομένων βασισμένο σε αυτές. Η δεύτερη μέθοδος ανακαλύπτει τις αιτιώδεις σχέσεις που μπορεί να υπάρχουν σε ένα σύνολο δεδομένων και στη συνέχεια χρησιμοποιεί αυτές τις πληροφορίες για να δημιουργήσει αιτιακά χαρακτηριστικά τα οποία τελικά ενσωματώνονται στο αρχικό σύνολο δεδομένων. Προκειμένου να αξιολογηθεί η απόδοση των μεθόδων, έχουν εφαρμοστεί σε διαφορετικά πλαίσια και στρατηγικές που χρησιμοποιούνται για τη βελτιστοποίηση περιβάλλοντων Υπολογιστικών Νεφών (Cloud Computing) και Υπολογιστικής Επεξεργασίας στη Περιφέρεια (Edge Computing). Τα αποτελέσματα δείχνουν ότι οι μέθοδοι μπορούν να εξάγουν αποτελεσματικά πληροφορίες σχετικά με το Πλαίσιο Αναφοράς και τις Αιτιακές σχέσεις που υπάρχουν. Ακόμη αποδεικνύεται ότι η αξιοποίηση αυτών των πληροφοριών μπορεί να βελτιώσει σημαντικά την απόδοση των αλγορίθμων Μηχανικής Μάθησης. Τέλος, η παρούσα παρουσιάζει πιθανές κατευθύνσεις για μελλοντική έρευνα που θα μπορούσε να βασιστεί στα ευρήματα της τρέχουσας διατριβής.