Computer Engineering Commons^™

Assessing The Performance Of A Particle Swarm Optimization Mobility Algorithm In A Hybrid Wi-Fi/Lora Flying Ad Hoc Network, William David Paredes

UNF Graduate Theses and Dissertations

Research on Flying Ad-Hoc Networks (FANETs) has increased due to the availability of Unmanned Aerial Vehicles (UAVs) and the electronic components that control and connect them. Many applications, such as 3D mapping, construction inspection, or emergency response operations could benefit from an application and adaptation of swarm intelligence-based deployments of multiple UAVs. Such groups of cooperating UAVs, through the use of local rules, could be seen as network nodes establishing an ad-hoc network for communication purposes.

One FANET application is to provide communication coverage over an area where communication infrastructure is unavailable. A crucial part of a FANET implementation is …

Inclusion4eu: Co-Designing A Framework For Inclusive Software Design And Development, Dympna O'Sullivan, Emma Murphy, Andrea Curley, John Gilligan, Damian Gordon, Anna Becevel, Svetland Hensman, Mariana Rocha, Claudia Fernandez, Michael Collins, J. Paul Gibson, Gordana Dodig-Crnkovic, Gearoid Kearney, Sarah Boland

Articles

Digital technology is now pervasive, however, not all groups have uniformly benefitted from technological changes and some groups have been left behind or digitally excluded. Comprehensive data from the 2017 Current Population Survey shows that older people and persons with disabilities still lag behind in computer and internet access. Furthermore unique ethical, privacy and safety implications exist for the use of technology for older persons and people with disabilities and careful reflection is required to incorporate these aspects, which are not always part of a traditional software lifecycle. In this paper we present the Inclusion4EU project that aims to co-design …

Survey Of Routing Techniques-Based Optimization Of Energy Consumption In Sd-Dcn, Mohammed Nsaif, Gergely Kovásznai, Ali Malik, Ruairí De Fréin

Articles

The increasing power consumption of Data Center Networks (DCN) is becoming a major concern for network operators. The object of this paper is to provide a survey of state-of-the-art methods for reducing energy consumption via (1) enhanced scheduling and (2) enhanced aggregation of traffic flows using Software-Defined Networks (SDN), focusing on the advantages and disadvantages of these approaches. We tackle a gap in the literature for a review of SDN-based energy saving techniques and discuss the limitations of multi-controller solutions in terms of constraints on their performance. The main finding of this survey paper is that the two classes of …

Governance-Aware Cloud Architectures For Enterprise Information Systems, Manikantha Varaprasad Inakollu

Computer Science and Engineering Faculty Publications

Enterprise cloud adoption has accelerated dramatically, yet governance frameworks struggle to keep pace with evolving architectural complexity. This research examines how organizations can embed governance principles directly into cloud architecture designs rather than treating compliance as an afterthought. We investigate the integration of regulatory requirements, risk management protocols, and organizational policies into cloud infrastructure patterns that enforce governance automatically. The study addresses critical gaps where traditional governance approaches fail in dynamic cloud environments, particularly around data sovereignty, access control, audit requirements, and regulatory compliance. Through analysis of existing cloud governance challenges and architectural patterns, we propose a comprehensive framework that …

Post-Implementation Erp Value Realization: A Decision Intelligence Framework, Manikantha Varaprasad Inakollu

Computer Science and Engineering Faculty Publications

Enterprise Resource Planning systems represent substantial organizational investments, yet many organizations struggle to realize expected benefits after implementation. This research develops a decision intelligence framework specifically designed to maximize ERP value realization during the critical post-implementation phase. While extensive literature addresses ERP implementation challenges, significantly less attention focuses on extracting value after systems go live. Our framework integrates data analytics, organizational learning, and strategic decision-making into a cohesive approach that transforms ERP systems from operational tools into strategic assets. Through analysis of post-implementation patterns across multiple organizations, we identify key decision points where intelligent interventions dramatically improve value capture. The …

Erp As A Digital Backbone: Redefining Enterprise Systems For Continuous Value Creation, Manikantha Varaprasad Inakollu

Computer Science and Engineering Faculty Publications

Enterprise Resource Planning systems have evolved from transactional processing tools into strategic digital backbones that orchestrate organizational value creation. This research examines how modern ERP implementations transcend traditional operational efficiency goals to enable continuous innovation, real-time decision-making, and ecosystem integration. Through analysis of contemporary ERP architectures and their impact on organizational capabilities, we demonstrate that successful digital transformation requires reconceptualizing ERP not as a software package but as an adaptive infrastructure supporting diverse business models. Our findings reveal that organizations treating ERP as a digital backbone achieve 35% higher agility scores and 42% faster time-to-market for new capabilities compared to …

Image-Based Malware Classification On Noise Extraction, Venkata Sai Sathwik Nadella

Master's Projects

Any malicious software designed to cause harm or damage to a computer system can be termed as malware. One common form of malware is as executable files. Such files are often used as a delivery mechanism for malware since they can be easily disguised as legitimate software and can be executed without raising suspicion. They are often used to exploit vulnerabilities in software, allowing malware to bypass security measures and gain access to sensitive information.

There are several methods used to detect malware in executable files, including Signaturebased detection, Behavioral-based detection, Heuristic-based detection, Sandboxing, Machine Learning and Artificial Intelligence (AI). …

Group-Invariant Reinforcement Learning, Fnu Ankur

Master's Theses

Our work introduces a way to learn an optimal reinforcement learning agent accompanied by intrinsic properties of the environment. The extracted properties helps the agent to extrapolate the learning to unseen states efficiently. Out of all the various types of properties, we are intrigued towards equivariant and invariant properties, which essentially translates to symmetry. Contrary to many approaches, we do not assume the symmetry, rather learn them, making the approach agnostic to the environment and the property. The learned properties offers multiple perspective of the environment to exploit it to benefit decision making while interacting with the environment. By building …

Automatic Presentation Slide Generation Using Llms, Tanya Gupta

Master's Theses

Presentation slides are widely used for conveying information in academic and professional contexts. However, manual slide creation can be time-consuming. Our research focuses on automated slide generation, specifically for scientific research papers. Automating the creation of presentation slides for scientific documents is a rather novel task and hence, there’s limited training data available and there also exists the token constraints of language models like BERT, with a maximum sequence length of 512 tokens. In this study, we fine-tune large language models, including Longformer-Encoder-Decoder (supporting sequences up to 16,834 tokens) and BIGBIRD-Pegasus (supporting sequences up to 4,096 tokens). We tackle this …

Detecting The Onion Routing Traffic In Real-Time By Using Reinforcement Learning, Dazhou Liu

Master's Theses

Anonymous networks have been popularly utilized to protect user anonymity and facilitate network security for a decade. However, such networks have been a platform for adversarial affairs and various network attacks including suspicious traffic generators. As a result, detecting anonymous network traffic is one critical task to defend a network against unpredictable attacks. Many new methods using machine learning and deep learning techniques have been proposed. However, many of them rely heavily on a vast amount of labeled data and have complicated architectures. Since network traffic always fluctuates under different network environments, those techniques may degrade in performance due to …

Intrinsic Motivation By The Principles Of Non-Linear Dynamical Systems, Phu C. Nguyen

Master's Theses

The design of appropriate control rules for the stabilization of dynamical systems can require quite substantial domain knowledge. Modern AI methodologies, such as Reinforcement Learning, are often used to mitigate the need for such knowledge. However, these can be slow and often rely on at least some hand-designed reward structure, and thus human input, to be more effective. Here, we propose an alternative route to construct rewards requiring only minimal domain knowledge, essentially relying on the structure of the dynamical system itself. For this, we use truncated Lyapunov exponents as rewards to calculate the stabilizing controller from samples. Concretely, the …

Controllability-Constrained Deep Neural Network Models For Enhanced Control Of Dynamical Systems, Suruchi Sharma

Master's Theses

Control of a dynamical system without the knowledge of dynamics is an important and challenging task. Modern machine learning approaches, such as deep neural networks (DNNs), allow for the estimation of a dynamics model from control inputs and corresponding state observation outputs. Such data-driven models are often utilized for the derivation of model-based controllers. However, in general, there are no guarantees that a model represented by DNNs will be controllable according to the formal control-theoretical meaning of controllability, which is crucial for the design of effective controllers. This often precludes the use of DNN-estimated models in applications, where formal controllability …

Image-Based Malware Detection Using Convolutional Neural Network Techniques, Brandon Palomino

Master's Projects

In this study, we delve into the realm of malware detection and classification, leveraging the capabilities of different Convolutional Neural Networks (CNNs). Our approach involves transforming executable files into image formats and subsequently applying advanced CNN techniques for image recognition. The study emphasizes the use of two distinct CNN architectures: a traditional CNN model and a modified CNN variant known as a convolutional recurrent neural network (CRNN), each with unique structural and functional attributes. To effectively train these models, we adopt a transfer learning strategy, utilizing pre-existing CNN models that have been extensively trained on large-scale image datasets. This methodology …

Advances In Robustness Of Image-Based Malware Detection, Rishika Pamanji

Master's Projects

In recent years, deep learning has emerged as a powerful tool for image classification tasks. However, the performance of individual deep learning models can be limited by their architecture and training data. In this project, various Convolutional Neural Network (CNN) architectures are proposed to train the malware data for feature extraction for various color coordinates such as L, CMYK, RGB, RGBA, and YCbCr. Different optimization techniques like Stochastic Gradient Descent, Root Mean Square Propagation, Ada Delta, Adam, and Adaptive Gradient are used to minimize errors in the trained data, leading to enhanced accuracy. The proposed ensemble deep learning model for …

Identification Of Copy Number Variations (Cnvs) Of Epigenetic Factors Related To The Progression Of Pancreatic Ductal Adenocarcinoma (Pdac), Pavithra Raju

Master's Projects

Pancreatic ductal adenocarcinoma (PDAC) is a formidable challenge in oncology due to its aggressive form and late-stage detection. PDAC is known to be influenced by various epigenetic factors like DNA methylation and histone modifications. This study focuses on copy number variations (CNVs) within epigenetic factors which for their role in early diagnosis. Thus, paving the way for identification of potential biomarkers. The epigenetic pipeline was extended based on CNVs and the CNV modified sequences extracted were compared with the wild type sequences of epigenetic PDAC genes. The epigenetic gene KCNJ11 with copy number gain of CNV id 46771406 was used …

Mild Cognitive Impairment And Alzheimer’S Disease Detection And Testing Interface (Mci-Addti) Modeller10.4 Integrating Structure-Function Prediction Modules, Grant Galileo Jacobson

Master's Projects

In the population of adult human patients who over express Beta and Tau Amyloids, it is unclear why 40% of them do not have Alzheimer’s Disease (AD), when all patients with AD have an overexpression of Beta and Tau Amyloids. The MCI-AD-DTI project’s epigenetic pipeline is an evolving computation tool that seeks epigenetic-related information related to the observed disparity. The MCI-AD-DTI’s epigenetic pipeline’s ability to identify mutations currently relies solely on PyPDB for verification of its protein functionality evaluation. The assessment process of the industry standard application, Modeller10.4, is independent from the current epigenetic pipeline’s protein evaluation algorithm. Thus, this …

Estimating Air Pollution Levels Using Machine Learning, Srujay Rao Devaraneni

Master's Projects

Air pollution has emerged as a substantial concern, especially in developing countries worldwide. An important aspect of this issue is the presence of PM2.5. Air pollutants with a diameter of 2.5 or less micrometers are known as PM2.5. Due to their size, these particles are a serious health risk and can quickly infiltrate the lungs, leading to a variety of health problems. Due to growing concerns about air pollution, technology like automatic air quality measurement can offer beneficial assistance for both personal and business decisions. This research suggests an ensemble machine learning model that can efficiently replace the standard air …

Ierl: Interpretable Ensemble Representation Learning - Combining Crowdsourced Knowledge And Distributed Semantic Representations, Yuxin Zi, Kaushik Roy, Vignesh Narayanan, Manas Gaur, Amit Sheth

Publications

Large Language Models (LLMs) encode meanings of words in the form of distributed semantics. Distributed semantics capture common statistical patterns among language tokens (words, phrases, and sentences) from large amounts of data. LLMs perform exceedingly well across General Language Understanding Evaluation (GLUE) tasks designed to test a model’s understanding of the meanings of the input tokens. However, recent studies have shown that LLMs tend to generate unintended, inconsistent, or wrong texts as outputs when processing inputs that were seen rarely during training, or inputs that are associated with diverse contexts (e.g., well-known hallucination phenomenon in language generation tasks). Crowdsourced and …

A Semantic Web Approach To Fault Tolerant Autonomous Manufacturing, Fadi El Kalach, Ruwan Wickramarachchi, Ramy Harik, Amit Sheth

Publications

The next phase of manufacturing is centered on making the switch from traditional automated to autonomous systems. Future factories are required to be agile, allowing for more customized production, and resistance to disturbances. Such production lines would be able to reallocate resources as needed and minimize downtime while keeping up with market demands. These systems must be capable of complex decision-making based on parameters such as machine status, sensory/IoT data, and inspection results. Current manufacturing lines lack this complex capability and instead focus on low-level decision-making on the machine level without utilizing the generated data to its full extent. This …

Knowledge Graph Guided Semantic Evaluation Of Language Models For User Trust, Kaushik Roy, Tarun Garg, Vedant Palit, Yuxin Zi, Vignesh Narayanan, Amit Sheth

Publications

A fundamental question in natural language processing is - what kind of language structure and semantics is the language model capturing? Graph formats such as knowledge graphs are easy to evaluate as they explicitly express language semantics and structure. This study evaluates the semantics encoded in the self-attention transformers by leveraging explicit knowledge graph structures. We propose novel metrics to measure the reconstruction error when providing graph path sequences from a knowledge graph and trying to reproduce/reconstruct the same from the outputs of the self-attention transformer models. The opacity of language models has an immense bearing on societal issues of …

Acm Web Conference 2023, Usha Lokala, Kaushik Roy, Utkarshani Jaimini, Amit Sheth

Publications

Improving the performance and explanations of ML algorithms is a priority for adoption by humans in the real world. In critical domains such as healthcare, such technology has significant potential to reduce the burden on humans and considerably reduce manual assessments by providing quality assistance at scale. In today’s data-driven world, artificial intelligence (AI) systems are still experiencing issues with bias, explainability, and human-like reasoning and interpretability. Causal AI is the technique that can reason and make human-like choices making it possible to go beyond narrow Machine learning-based techniques and can be integrated into human decision-making. It also offers intrinsic …

L3 Ensembles: Lifelong Learning Approach For Ensemble Of Foundational Language Models*, Aidin Shiri, Kaushik Roy, Amit Sheth, Manas Gaur

Publications

Fine-tuning pre-trained foundational language models (FLM) for specific tasks is often impractical, especially for resource-constrained devices. This necessitates the development of a Lifelong Learning (L3) framework that continuously adapts to a stream of Natural Language Processing (NLP) tasks efficiently. We propose an approach that focuses on extracting meaningful representations from unseen data, constructing a structured knowledge base, and improving task performance incrementally. We conducted experiments on various NLP tasks to validate its effectiveness, including benchmarks like GLUE and SuperGLUE. We measured good performance across the accuracy, training efficiency, and knowledge transfer metrics. Initial experimental results show that the proposed L3 …

The Troubling Emergence Of Hallucination In Large Language Models--An Extensive Definition, Quantification, And Prescriptive Remediations, Vipula Rawte, Swagata Chakraborty, Agnibh Pathak, Anubhav Sarkar, S.M Towhidul Islam Tonmoy, Aman Chadha, Amit Sheth, Amitava Das

Publications

The recent advancements in Large Language Models (LLMs) have garnered widespread acclaim for their remarkable emerging capabilities. However, the issue of hallucination has parallelly emerged as a by-product, posing significant concerns. While some recent endeavors have been made to identify and mitigate different types of hallucination, there has been a limited emphasis on the nuanced categorization of hallucination and associated mitigation methods. To address this gap, we offer a finegrained discourse on profiling hallucination based on its degree, orientation, and category, along with offering strategies for alleviation. As such, we define two overarching orientations of hallucination: (i) factual mirage (FM) …

Technology Adoption Of Computer-Aided Instruction In Healthcare: A Structured Review, Queenie Kate Cabanilla, Frevy Teofilo-Orencia, Rentor Cafino, Armando T. Isla Jr., Jehan Grace Maglaya, Xavier-Lewis Palmer, Lucas Potter, Dave E. Marcial, Lemuel Clark Velasco

Electrical & Computer Engineering Faculty Publications

Computer-Aided Instruction (CAI) is one of the interactive teaching methods that electronically presents instructional resources and enhances learner performance. In health settings, using CAI is one of the important ways to improve learners' knowledge and usefulness in their healthcare specialization yet there is still a lack of research that offers a comprehensive synthesis of investigating into the adoption of CAI in healthcare. This research aims to provide a comprehensive review of related literatures on the enablers and barriers for technology adoption of CAI in healthcare. 31 journals were analyzed and revealed that several studies were utilizing the Unified Theory of …

การคัดกรองความผิดปกติของรูปภาพบุคคลที่สร้างจากปัญญาประดิษฐ์, ธนพล พจนะสวนีย์

Chulalongkorn University Theses and Dissertations (Chula ETD)

ในยุคปัจจุบันความสามารถของปัญญาประดิษฐ์ถูกสร้างขึ้นและพัฒนาเพื่อสามารถสร้างงานสร้างสรรค์ต่างๆ ได้แก่ รูปภาพ วิดีโอ เสียง งานเขียน และบทความ งานวิจัยนี้มุ่งเน้นไปที่ความสามารถของปัญญาประดิษฐ์ในการผลิตงานภาพบุคคลตามคําสั่งหรือข้อความที่หลากหลาย อย่างไรก็ตาม การใช้ปัญญาประดิษฐ์ประเภทนี้ยังมีความผิดพลาดเกิดขึ้น ความผิดพลาดที่พบบ่อยที่สุดในการสร้างภาพบุคคลคือความผิดปกติจากส่วนของร่างกายหรืออวัยวะของมนุษย์เช่นอวัยวะที่ผิดรูปหรือองค์ประกอบอวัยวะขาดหายไป จากปัญหานี้ทำให้ผู้วิจัยเกิดแนวคิดที่จะออกแบบแบบจำลองสําหรับการคัดกรองความผิดปกติของภาพบุคคลที่สร้างขึ้นโดยปัญญาประดิษฐ์ งานวิจัยนี้มีวัตถุประสงค์ในการสร้างชุดข้อมูลภาพบุคคลประมาณ 100,000 ภาพที่สร้างขึ้นโดยปัญญาประดิษฐ์และพัฒนาแบบจำลองต้นแบบสําหรับคัดกรองความผิดปกติของภาพบุคคลที่สร้างขึ้นโดยปัญญาประดิษฐ์เพื่อทำให้ภาพปัญญาประดิษฐ์จะมีคุณภาพที่ดีขึ้นและมีประโยชน์มากขึ้น แบบจำลองการเรียนรู้เชิงลึกนำมาใช้เพื่อแยกประเภทภาพปัญญาประดิษฐ์ โดยแบ่งออกเป็น2 ประเภท: ภาพปกติ (Normal)และ ภาพบกพร่อง (Defect) ชุดข้อมูลที่ใช้พัฒนาแบบจำลองนี้ประกอบด้วยข้อมูลประมาณ 100,000 ภาพเพื่อให้แบบจำลองมีความแม่นยําและประสิทธิภาพที่ดี งานวิจัยนี้ใช้แบบจำลองการเรียนรู้เชิงลึก 4 ประเภทในการทดสอบเพื่อหาแบบจำลองที่เหมาะสมที่สุดสําหรับการคัดกรองความผิดปกติในภาพปัญญาประดิษฐ์ แบบจำลองนี้ใช้เป็นแบบจำลองต้นแบบในการคัดกรองคุณภาพของภาพบุคคลที่สร้างขึ้นโดยปัญญาประดิษฐ์และชุดข้อมูลทั้งหมดในงานวิจัยนี้จะถูกเผยแพร่โดยสาธารณะ

การทำนายอาชญากรรมผ่านการวิเคราะห์ร่วมกันของข้อมูลสถานีตำรวจใกล้เคียง, ศิรัสวยา หงษ์ยนต์

Chulalongkorn University Theses and Dissertations (Chula ETD)

การทำนายอาชญากรรมผ่านการวิเคราะห์ร่วมกันของข้อมูลสถานีตำรวจใกล้เคียงจะช่วยทำให้ข้อมูลมีความแม่นยำมากขึ้น ซึ่งจะเป็นประโยชน์กับสถานีตำรวจแต่ละแห่งที่จะนำผลลัพธ์ที่ได้ไปประกอบการปรับกลยุทธ์การป้องกันอาชญากรรมรวมถึงการจัดสรรกำลังพลให้กับหน่วยงานของตนเองได้มีประสิทธิภาพมากขึ้น การเรียนรู้ด้วยเครื่องกลายเป็นเครื่องมือสำคัญในการทำนายอาชญากรรมซึ่งช่วยให้มีความแม่นยำมากขึ้น ในการศึกษานี้มุ่งเน้นไปที่การทำนายจำนวนอาชญากรรมที่จะเกิดขึ้นในสถานีตำรวจปทุมวัน ด้วยการใช้ข้อมูลประวัติอาชญากรรมจากสถานีตำรวจทั่วประเทศตั้งแต่มกราคมปี 2554 ถึงกุมภาพันธ์ปี 2565 โดยใช้แบบจำลองการ K-Means เพื่อจัดกลุ่มสถานีตำรวจที่มีรูปแบบอาชญากรรมคล้ายคลึงกับสถานีตำรวจปทุมวัน ผลลัพธ์ที่ได้จากการจัดกลุ่มพบว่าสถานีตำรวจวังทองหลาง, นางเลิ้ง, ดุสิต, บางซื่อ, ทุ่งมหาเมฆ, สำเหร่, สุทธิสาร, ปากคลองสาน, บางกอกใหญ่, บางกอกน้อย, มักกะสัน, บางยี่เรือและตลาดพลูถูกจัดให้อยู่กลุ่มเดียวกับสถานีตำรวจปทุมวัน จากนั้นจึงใช้แบบจำลอง LSTM ในการรทำนายอาชญากรรมของสถานีตำรวจปทุมวันผ่านการวิเคราะห์ร่วมกับข้อมูลสถานีตำรวจใกล้เคียง ชุดข้อมูลการฝึกใช้ข้อมูลสถานีตำรวจปทุมวันจับคู่กับสถานีตำรวจภายในกลุ่มเดียวกัน ซึ่งผลการวิจัยพบว่าการวิเคราะห์ร่วมกันระหว่างสถานีตำรวจปทุมวันและสถานีตำรวจวังทองหลาง, นางเลิ้ง, ดุสิต, บางซื่อ, ปากคลองสาน, บางกอกน้อย, มักกะสันและตลาดพลูส่งผลให้ RMSE และ MAE ลดลง เมื่อเทียบกับการใช้ข้อมูลสถานีตำรวจจปทุมวันเพียงอย่างเดียว แสดงให้เห็นว่าการวิเคราะห์ร่วมกันของข้อมูลสถานีตำรวจใกล้เคียงช่วยเพิ่มประสิทธิภาพและความแม่นยำของการทำนายอาชญากรรมและจะส่งผลให้เป็นประโยชน์ต่อการนำไปประยุกต์ใช้เพื่อปรับกลยุทธ์การบังคับใช้กฎหมายมีประสิทธิผลมากขึ้น

Tutorial - Shodhguru Labs: Optimization And Hyperparameter Tuning For Neural Networks, Kaushik Roy

Publications

Neural networks have emerged as a powerful and versatile class of machine learning models, revolutionizing various fields with their ability to learn complex patterns and make accurate predictions. The performance of neural networks depends significantly on the appropriate choice of hyperparameters, which are critical factors governing their architecture, regularization, and optimization techniques. As the demand for high-performance neural networks grows across diverse applications, the need for efficient optimization and hyperparameter tuning methods becomes paramount. This paper presents a comprehensive exploration of optimization strategies and hyperparameter tuning techniques for neural networks. Neural networks have emerged as a powerful and versatile class …

เอไอสำหรับการแนะนำรหัสบัญชีสมุดแยกประเภททั่วไป, ปกรณ์ โคตรภูชัย

Chulalongkorn University Theses and Dissertations (Chula ETD)

เทคโนโลยีเอไอช่วยส่งเสริมให้ธุรกิจสามารถคงความเป็นคู่แข่งที่แข็งแกร่งในโลกปัจจุบันที่มีการแข่งขันสูง ขณะเดียวกันการทำบัญชีก็มีบทบาทสำคัญที่ทำให้การบริหารการเงินของธุรกิจประสบความสำเร็จ การทำบัญชีเกี่ยวข้องกับการบันทึกธุรกรรมทางการเงินที่เกิดขึ้น และเลือกรหัสบัญชีที่ถูกต้องในการบันทึกบัญชี การใส่ค่ารหัสบัญชีด้วยมืออาจก่อให้เกิดความผิดพลาดและสูญเสียทรัพยากรของบริษัท ขณะที่การใส่ค่ารหัสบัญชีที่ถูกต้องเป็นสิ่งสำคัญที่ช่วยให้การตัดสินใจทางธุรกิจดียิ่งชึ้นและทำให้ธุรกิจเติบโตได้อย่างรวดเร็ว การแนะนำรหัสบัญชีอัตโนมัติด้วยเอไอสามารถช่วยประหยัดเวลา เพิ่มผลิตภาพและคุณภาพของผลลัพธ์ จากการลดความผิดพลาดของมนุษย์ งานวิจัยนี้จึงนำเสนอแนวทางระบบที่พัฒนาด้วยเอไอเพื่อแนะนำรหัสบัญชีในการทำบัญชีแบบรายการคู่ การประมวลผลภาษาธรรมชาติถูกนำมาใช้เป็นหลักในขั้นตอนการเตรียมข้อมูลเพื่อให้คอมพิวเตอร์สามารถประมวลผล และดึงความหมายจากข้อมูลที่เป็นข้อความได้ แบบจำลองการเรียนรู้ของเครื่องได้ถูกสร้างขึ้นจากอัลกอริทึม คาร์ต, ป่าสุ่ม, และมัลติเลเยอร์ เพอร์เซปทรอน ผลการทดลองรายงานว่าแบบจำลองป่าสุ่มที่ใช้วิธีแทนค่าข้อความด้วยวิธีถุงคำ ให้ค่าความแม่นยำสูงสุดที่ 84.91% ซึ่งอยู่ในระดับที่ยอมรับได้ในมุมของการบัญชี

การตรวจจับมะม่วงและนับผลผลิตด้วยการเรียนรู้เชิงลึก, อภิศักดิ์ จันทร์ดา

Chulalongkorn University Theses and Dissertations (Chula ETD)

มะม่วงเป็นสินค้าเกษตรส่งออกที่มีความสำคัญทางเศรษฐกิจของประเทศไทย จึงมีความต้องการคาดการณ์ผลผลิตเพื่อวางแผนขั้นตอนการเก็บเกี่ยวอย่างมีประสิทธิภาพ งานวิจัยนี้ ได้นำเสนอการตรวจจับผลมะม่วงบนลำต้นด้วยโมเดลการเรียนรู้เชิงลึก Mask R-CNN โดยใช้โครงข่ายแบบ RestNext-101-32x8d สำหรับสกัดคุณลักษณะ ทั้งได้พัฒนาการเพิ่มความหลากหลายของข้อมูลในการเรียนรู้โมเดลการลบวัตถุด้วยการบดบังบางส่วน Random Erasing with Partial Occlusion เพื่อเพิ่มประสิทธิภาพแก้ไขปัญหาการบดบังของวัตถุ โดยมีผลลัพธ์การตรวจจับ [email protected] ที่ 0.879, Precision ที่ 0.944, Recall ที่ 0.790 และ F1-score ที่ 0.860 โดยมีค่า Precision, Recall, F1-score เพิ่มขึ้น 0.022, 0.004 และ 0.011 ตามลำดับ เนื่องจากโมเดลตรวจจับไม่สามารถที่จะคาดการณ์ผลผลิตได้ทั้งหมด พบว่าผลมะม่วงไม่ได้แสดงออกภายนอกต้นทั้งหมด มีจำนวนผลมะม่วงที่อยู่ภายในลำต้นจำนวนมาก งานวิจัยนี้ได้นำเสนอ การคาดการณ์ผลผลิตที่ได้ผลลัพธ์จากการตรวจจับผลมะม่วง ด้วยโมเดลการถดถอย ซึ่งวิเคราะห์การถดถอยของข้อมูลที่บันทึกได้จากการนับจริงบนลำต้น เทียบผลลัพธ์การนับจากโมเดลการตรวจจับ จากผลการทดลองดีที่สุด ผลลัพธ์การนับจากโมเดลตรวจจับ ของภาพถ่ายลำต้นมะม่วงในระดับสายตา ลักษณะเห็นทั้งต้นแบบ 2 ด้าน โดยการใช้ฟังก์ชันการถดถอยแบบพหุนามดีกรีสี่ และการประมาณค่าพารามิเตอร์แบบแกร่งด้วยฟังก์ชัน Huber ได้ผลลัพธ์ค่าเฉลี่ยของค่าสัมบูรณ์เปอร์เซ็นต์ความคลาดเคลื่อน (MAPE) ที่ 25.04% ต่อต้น ค่าเฉลี่ยผลต่างสัมบูรณ์ (MAE) ที่ 5.52 ผลต่อต้น จากการพัฒนา สามารถนำระบบปรับใช้งานกับสถานการณ์จริง เพื่อคาดการณ์ผลผลิตมะม่วงบนลำต้นได้

Article Feed Recommendations Using Position-Aware Deep Cross Network, Dhata Muangrux

Chulalongkorn University Theses and Dissertations (Chula ETD)

The presence of social media platforms has recently transformed the digital landscape, with an ever-increasing user base. As these platforms become central to daily life, the need for recommendation systems that genuinely cater to individual preferences has never been more paramount. While current recommendation algorithms excel at curating content based on user interests, they often overlook inherent biases, notably the positional bias where users engage with content due to its placement rather than its inherent relevance. This oversight is particularly evident in every social media recommendation system. Addressing this challenge, we proposed a position-aware methodology within the Deep and Cross …