Τσουρέκας Στέργιος (Υποψήφιος Διδάκτορας)

Τίτλος διατριβής: Ανάλυση και Βελτιστοποίηση Μετρικών Κεντρικότητας σε Γράφους Αναφορών και Κοινωνικά Δίκτυα

Επιβλέπων: Σιδηρόπουλος Αντώνης

Μέλη Συμβουλευτικής Επιτροπής:

ΑΝΤΩΝΙΟΥ ΕΥΣΤΑΘΙΟΣ, ΚΑΘΗΓΗΤΗΣ, ΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΗΛΕΚΤΡΟΝΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ, ΔΙΠΑΕ, ΜΕΛΟΣ
ΟΥΓΙΑΡΟΓΛΟΥ ΣΤΕΦΑΝΟΣ, ΕΠΙΚΟΥΡΟΣ ΚΑΘΗΓΗΤΗΣ, ΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΗΛΕΚΤΡΟΝΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ, ΔΙΠΑΕ, ΜΕΛΟΣ

Περίληψη:

Η παρούσα διδακτορική διατριβή επικεντρώνεται στην εις βάθος μελέτη, αξιολόγηση και εφαρμογή μετρικών κεντρικότητας σε γράφους αναφορών και κοινωνικά δίκτυα, με στόχο την κατανόηση της σημασίας των κόμβων σε σύνθετες και δυναμικές δομές πληροφορίας. Παρά την ευρεία χρήση μετρικών όπως Degree, Betweenness, Closeness, PageRank και Eigenvector centrality, δεν υπάρχει ενοποιημένο πλαίσιο που να καθοδηγεί την επιλογή της κατάλληλης μετρικής ανάλογα με τη φύση του δικτύου και τον επιδιωκόμενο στόχο. Η πολυπλοκότητα και η χρονική εξέλιξη των πραγματικών δικτύων, όπως citation graphs ή κοινωνικά δίκτυα, καθιστούν αναγκαία την ανάπτυξη καινοτόμων μεθόδων που να συνδυάζουν τη θεωρία γράφων με τεχνικές μηχανικής μάθησης.

Η επισκόπηση της τρέχουσας κατάστασης εντοπίζει την πρόοδο σε τεχνικές όπως τα Graph Neural Networks (GNNs), τα οποία αξιοποιούνται για την εκμάθηση αναπαραστάσεων κόμβων και την αποδοτική εκτίμηση της κεντρικότητας ακόμη και σε περιβάλλοντα με ατελή ή θορυβώδη δεδομένα. Οι δυναμικές και πολυεπίπεδες δομές, καθώς και τα ετερογενή χαρακτηριστικά των σύγχρονων γραφημάτων, απαιτούν την προσαρμογή παραδοσιακών μετρικών ή την ανάπτυξη νέων, όπως οι temporal και higher-order μετρικές. Ταυτόχρονα, αναδεικνύεται η ανάγκη για μεθόδους που να είναι επεκτάσιμες, ερμηνεύσιμες και ευέλικτες, ικανές να λειτουργήσουν σε ποικίλα είδη δεδομένων.

Η προτεινόμενη ερευνητική προσέγγιση περιλαμβάνει την ανάλυση των μετρικών σε διαφορετικές κατηγορίες γράφων, τη δημιουργία ενός θεωρητικού πλαισίου ταξινόμησης, την ανάπτυξη και αξιολόγηση νέων υβριδικών μοντέλων, και τη δημιουργία ενός εργαλείου «προτεινόμενης κεντρικότητας» (centrality recommender). Ιδιαίτερη έμφαση δίνεται στη χρήση meta-learning και reinforcement learning για την αυτόματη επιλογή της κατάλληλης μετρικής, καθώς και στην κατασκευή λογισμικού ανοικτού κώδικα για την ενίσχυση της επαναληψιμότητας και της μεταφοράς τεχνογνωσίας στην επιστημονική κοινότητα.

Η διατριβή επιδιώκει να συμβάλει στη θεωρητική εμβάθυνση και την πρακτική εφαρμογή της έννοιας της κεντρικότητας σε πραγματικά δεδομένα μεγάλης κλίμακας, ενισχύοντας τη δυνατότητα κατανόησης, πρόβλεψης και διαχείρισης της επιρροής και της πληροφορίας σε δικτυακά περιβάλλοντα.