Riassunto analitico
Lo scopo di questo lavoro di tesi è quello di indagare l’utilità delle informazioni contenute nel dominio spettrale ricavate tramite le trasformate di Fourier applicate alle tecniche più recenti di Deep Learning per l’analisi di task riconducibili a sequenze di dati, eventi, o feature estratte e apprese da reti neurali, con l’obiettivo finale di migliorare le performance di classificazione degli algoritmi nei problemi presi in esame.
In principio si analizzano le principali e recenti tecniche note di Deep Learning che negli ultimi anni hanno portato alla esponenziale crescita di questa disciplina, raggiungendo risultati sorprendenti stato dell’arte nella quasi totalità dei task più complessi di Intelligenza Artificiale, Computer vision, Natural language processing, Speech recognition, Visual intelligence e tanti altri.
In seguito si illustreranno le principali tecniche di estrazione delle features più utilizzate, step essenziale che precede l’inferenza effettuata tramite algoritmi di classificazione o regressione, e successivamente vengono rappresentate le trasformate di Fourier e come in particolare la Fast Fourier Trasform (FFT) cioè una efficiente implementazione della Discrete Fourier Trasform (DFT) possa essere utilizzata per estrarre informazioni utili da sequenze di feature passando dal dominio temporale o spaziale a quello spettrale.
Si sono analizzati e studiati in particolare i seguenti task: Video Action Recognition, dove si ha una sequenza di immagini, e Virtual Machine Data dove si studia l’evolversi nel tempo dei principali parametri di funzionamento delle macchine virtuali di cloud o data centers.
Nel primo task di Video Action Recognition si sono registrate performance nettamente inferiori allo stato dell’arte, ciò probabilmente dovuto al fatto che il dominio spettrale o le architetture sperimentate non aiutino in questo specifico task, ma al contrario nei dati sulle macchine virtuali si sono ottenuti ottimi risultati di classificazione, confrontabili o superiori con lo stato dell’arte, a dimostrazione che il dominio spettrale unito a tecniche convolutive possono costituire un buon metodo quando applicati a dati prettamente numerici che evolvono nel tempo.
|
