Computer Engineering Commons^™

Optimized Community Detection Across Distributed Heterogeneous Servers, Akash Narang

Master's Projects

The exploration of community detection is crucial across various fields, including marketing, and biological research. This area has evolved from non-overlapping communities to recognize nodes as part of multiple overlapping communities. Current research continues to uncover these dynamics. The main challenge is identifying overlapping communities in graphs with billions of nodes and edges. This paper aims to enhance methodologies for community detection in parallel for unprecedentedly large and complex networks. We introduce the HeteroNodesAdapter algorithm, which supports heterogeneous worker nodes and optimized load distribution in graph stream processing. Additionally, we propose the TailBalancedCommunitySize algorithm to find an optimum community size, …

Adaptive Bounded-Confidence Model For Opinion Maximization, Jacob Ortiz

Master's Projects

Social networks have become a significant source of information due to their easy accessibility, low cost, and ability to spread information quickly. Opinions are crucial in shaping our communication and decision-making processes, and our social connections significantly influence them. We model opinions as continuous values from 0 to 1, i.e., 0 means strong disagree and 1 means strong agree. Each agent has an initial opinion as well as a confidence about her opinion and through interactions with the other agents both are updated. Opinion maximization has gained popularity due to social media’s growing impact on our daily lives, where we …

Influence Maximization Using Triadic Closures, Communities, And Quotas, Matthew Fu

Master's Projects

Online social networks have exploded in popularity in the last decade. In addition, traditional advertising methods such as television advertising have greatly decreased. This allows companies to utilize viral marketing more effectively. With viral marketing, companies can spread information on a product to a social network by reaching out to a small group of early adopters, who will go on to inform the people around them of the product. The problem is selecting the early adopters that can maximize the spread of influence. The Influence Maximization (IM) problem is finding a social network’s most influential (early adopters) starting nodes, called …

Regional Sea Level Rise Prediction In Monterey Bay With Lstms And Vertical Land Motion, Branden Lopez

Master's Projects

Earth system data is vast in volume and variety, and is used to forecast weather,

hurricanes, floods, and sea level. Sea Level Rise (SLR) impacts various sectors, espe- cially ecosystems, food production, industry, population, health, and the availability of

clean water. Because of its broad impact, describing the behavior and forecasting SLR is an important topic. Traditional Machine Learning (ML) models vary in use, but many are not capable of capturing all the non-linear spatial and temporal properties of SLR factors. Deep learning models efficaciously handle complex time series data, noise, and high dimensional spaces, making them a focus of …

Distinguishing Chatbot From Human, Gauri Anil Godghase

Master's Projects

There have been many recent advances in the field of Generative Artificial Intelligence and Large Language Models, with GPT 3 or ChatGPT model being one of the frontrunners in this field. These large language models have become so powerful that it has become difficult to differentiate between text written by humans and machine-generated text. This paper proposes a solution to the problem of classification of the origin of data (human or chatbot) by using Machine Learning. In addition, the proposed solution also helps us analyze the text generated by such Language Models and understand the underlying patterns present in the …

Unveiling Gender Bias: An Eye-Tracking Analysis Of Scene Perception, Naga Srija Gopisetty

Master's Projects

Gender bias deeply affects how we perceive and interact with the world around us. This study examined how gender bias affects scene perception by using eye-tracking technology. The relation between gender bias and pupil dilation is examined utilizing art as a stimuli and also studied the underlying cognitive processes. This experiment combines image presentations along with input from participants, drawing on previous research in gender bias, cognitive psychology, and eye-tracking methodologies. The experiment design showcases a series of images to participants, subtly replacing one image during the trial, and then asks participants whether the

replacement took place. This study uses …

Exploring Gender Bias In Large Language Models: Cross-Linguistic Comparisons And Evaluation Letters Analysis, Athira Kumar

Master's Projects

Large language models (LLMs) play a significant role in modern human-computer interaction. They have exploded in popularity recently, becoming widely used for various tasks. However, concerns persist regarding potential biases within these models. This project investigates gender bias in the popular LLMs - GPT-3.5, GPT-4, Gemini, and LLAMA. The first part of our study focuses on analyzing biases using ambiguous sentences across three languages - English, Malayalam, and Tamil. We evaluate the LLMs to see if they associate occupations with commonly held gender stereotypes, by using specific professions within our test sentences. Through the use of two low-resource languages, this …

Deception Detection Models From Speech, Tien Nguyen

Master's Projects

Recently, researchers have shown an increased interest in automatically detecting deceptive actions. The attention given to this area can be attributed to the many potential applications of deception detection, especially in the field of criminology. To contribute to the deception detection research, this project investigates textual and audio data extracted from spoken and written words. We evaluated and compared the traditional linguistic models with advanced Large Language Models (LLMs) while using Natural Language Processing (NLP) techniques. Additionally, various feature selection techniques were applied to assess the importance of linguistic features. We conducted extensive experiments to evaluate the effectiveness of both …

Hindi Image Captioning Using Indictrans2 And Encoder-Decoder Architecture, Anahita Vayalombrone Dinesh

Master's Projects

One of the most prominent tasks that lie on the conjunction of Natural Language Processing (NLP) and computer vision, is image captioning. Image captioning is the generative task of achieving textual descriptions from images. Its application finds use in many real-world scenarios like aiding the visually impaired, editing applications, recommendation systems, and medical imaging. This research focus lies in Hindi image captioning, the official language of India, as it has not been explored as far as its need. Several challenges such as the lack of substantial Hindi text data for training models, the need for human annotators to verify the …

Lexigen: Lexical-Driven Image Generation, Sangram Prashant Chincholkar

Master's Projects

This research project proposes a novel approach to user-driven image editing via natural language descriptions. The aim is an accurate change of certain features of an image with respect to the descriptive text while maintaining, with equal concern, the integrity of the remaining parts of the image not affected by the description. The task is particularly relevant for fields like content creation, personalized design, and automated image editing that require both coherence of a visual scene and textual description. We propose a generative model, LexiGen, which perfectly integrates natural language descriptions with their corresponding visual changes within an image. The …

Comparison Of Protein Structures Predicted By Genai Tools In A Zero-Shot Manner, Kruthi Shankar Rao

Master's Projects

Generative AI models have vast applications and one such critical application explored in this study is protein structure prediction. The 3D structures of proteins determine their function. Our study mainly focuses on using generative AI models such as ESMFold and ColabFold to predict and examine naturally occurring and mutated sequences. The workflow begins with collecting antimicrobial resistance (AMR) and toxin-antitoxin (TA) protein data. The sequences are applied over pretrained AI models to predict protein structures. Following this, models are fine-tuned with original and mutated target datasets. A comparison of models’ performances is done using metrics such as root mean square …

Exploring The Use And Misuse Of Large Language Models (Llms), Hezekiah Paul D. Valdez

Master's Projects

Large Language Models (LLMs) have quickly gone from simple rule-based systems to complex knowledge bases capable of tackling many different tasks across a variety of fields. What began as an exercise in human-computer interaction has become the basis for artificial intelligence in a variety of mediums. When attached to larger systems, LLMs become generative assistants that can perform highly on human proficiency assessments and other benchmark skill assessments. This increase in proficiency has led these systems to be deployed in fields such as cybersecurity, business, and programming to help improve productivity and efficiency. However, such a wide availability has allowed …

Enhancing Qwen2.5-Coder: A Deep Dive Into Fine-Tuning Using Peft For Superior Code Outputs, Lohith Nagaraja

Master's Projects

The main objective of this research is to improve the quality of software code that is produced by the Qwen2.5-Coder model specifically in terms of maintainability, complexity, and reliability. Our approach is going to be a more specific one that will involve the Parameter-Efficient Fine Tuning (PEFT) framework combined with quantization through Low-Rank Adaption (LoRA). This approach involves fine-tuning only some of the parameters of a model to make it suitable for software programming with the general structure of the model largely intact. In this paper, SonarQube is used as a tool to help quantify the improvements made to the …

Llamatalk: Empowering Conversations With Retrieval-Augmented Generation, Aravind Rokkam

Master's Projects

This research report talks about the implementation and a comparative study of Llama 7B model’s fine-tuning technique and Retrieval Augmented Generation (RAG) capabilities in the context of creating a reliable AI therapist. This study focuses on training these models using diverse datasets consisting of doctor-patient conversations predominantly addressing general health issues. Using a technique like fine-tuning within the Llama 7B model, the project focuses on training the model with a diverse dataset comprising doctor-patient interactions primarily addressing general health concerns. Additionally, carefully organized mental health dataset from HOPE dataset, ensuring the bot's responsiveness to mental health inquiries. Through integration with …

Wall-E: An Autonomous Ai Rover For Precision Agriculture, Simar Ghumman

Master's Projects

Unmanned Ground Vehicles (UGVs) are emerging as a crucial tool in the world of precision agriculture. By working with UGVs equipped with machine learning, we can find solutions to a range of complex agricultural problems. My project, titled “Wall-E: Artificial Intelligence Robot for Precision Agriculture,” focuses on developing a UGV capable of navigating through agriculture fields autonomously while capturing data. Using machine learning, computer vision, and other sensor technologies, Wall-E is capable of estimating the total yield of crops, self-localization, mapping its environment in real time, and avoiding obstacles along its route. The purpose of this project is to automate …

Adaptive Metric-Driven Load Balancing For Specialized Clusters Using Nginx, Juhi Raju Malkani

Master's Projects

Adaptive Metric-Driven Load Balancer is an innovative two-tier load-balancing system that uses NGINX and Prometheus to optimize resource allocation in specialized cloud clusters. This framework is built to give great performance and flexibility and runs on Google Kubernetes Engine (GKE), but it may also be deployed on local cloud environments for added security. The first tier of our system uses an NGINX-based load balancer to route incoming requests based on content type, sending traffic to hardware-optimized clusters for processing requests through specialized hardware. In our algorithm, the second tier dynamically modifies load distribution throughout each cluster by calculating pod weights …

Gradual Typing For Information Flow Control In Typescript Using Es Lint, Ashish Agarwal

Master's Projects

Current state-of-the-art systems tackle data security threats by incorporating information flow control (IFC) to ensure that a piece of information reaches only its intended recipient. However, most IFC implementations introduce a custom language built on top of a well-known language. Adaptations of such languages are limited due to limited support and updates, along with difficulty in learning new syntaxes. Implementations without a custom language offer incomplete IFC support. We present a comprehensive framework by leveraging Typescript, in conjunction with ESLint and NodeJS, aiming to resolve some of the limitations of IFC and intending to facilitate acceptance by a wide range …

Exploring Alternative Approaches To Language Modeling For Learning From Data And Knowledge, Yuxin Zi, Kaushik Roy, Vignesh Narayanan, Amit Sheth

Publications

Despite their wide applications to language understanding tasks, large language models (LLMs) still face challenges such as hallucinations - the occasional fabrication of information, and alignment issues - the lack of associations with human-curated world models (e.g., intuitive physics or common-sense knowledge). Additionally, the black-box nature of LLMs makes it highly challenging to train them meaningfully in order to achieve a desired behavior. Specifically, the attempt to adjust LLMs’ concept embedding spaces can be highly intractable, which involves analyzing the implicit impact on LLMs’ numerous parameters and the resulting inductive biases. This paper proposes a novel architecture that wraps powerful …

Towards Pragmatic Temporal Alignment In Stateful Generative Ai Systems: A Configurable Approach, Kaushik Roy, Yuxn Zi, Amit Sheth

Publications

Temporal alignment in stateful generative artificial intelligence (AI) systems remains an underexplored area, particularly beyond goal-driven approaches in planning. Stateful refers to maintaining a persistent memory or “state” across runs or sessions. This helps with referencing past information to make system outputs more contextual and relevant. This position paper proposes a framework for temporal alignment with several configurable toggles. We present four alignment mechanisms: knowledge graph path-based, neural score-based, vector similarity-based, and sequential process-guided alignment. By offering these interchangeable approaches, we aim to provide a flexible solution adaptable to complex and real-world applications. This paper discusses the potential benefits and …

Proknow: Process Knowledge For Safety Constrained And Explainable Question Generation For Mental Health Diagnostic Assistance In The Age Of Large Language Models, Kaushik Roy, Manas Gaur, Misagh Soltani, Vipula Rawte, Ashwin Allen, Amit P. Sheth

Publications

Current Virtual Mental Health Assistants (VMHAs) primarily offer counseling and suggestive care but do not assist with patient diagnosis due to their lack of training in safety-constrained and specialized clinical process knowledge, referred to as ProKnow. In this work, we define ProKnow as an ordered set of information aligned with evidence-based guidelines or categories of conceptual understanding used by domain experts. We also introduce a new dataset of diagnostic conversations guided by safety constraints and Pro- Know, known as ProKnow-data. We develop a method for natural language question generation (NLG) designed to interactively gather diagnostic information from patients, termed ProKnow-algo. …

Ensemble Learning With Sleep Mode Management To Enhance Anomaly Detection In Iot Environment, Khawlah Harahsheh, Rami Al-Naimat, Malek Alzaqebah, Salam Shreem, Esraa Aldreabi, Chung-Hao Chen

Electrical & Computer Engineering Faculty Publications

The rapid proliferation of Internet of Things (IoT) devices has underscored the critical need for energy-efficient cybersecurity measures. This presents the dual challenge of maintaining robust security while minimizing power consumption. Thus, this paper proposes enhancing the machine learning performance through Ensemble Techniques with Sleep Mode Management (ELSM) approach for IoT Intrusion Detection Systems (IDS). The main challenge lies in the high-power consumption attributed to continuous monitoring in traditional IDS setups. ELSM addresses this challenge by introducing a sophisticated sleep-awake mechanism, activating the IDS system only during anomaly detection events, effectively minimizing energy expenditure during periods of normal network operation. …

Compare And Contrast The Intent Of Hacking Vs Penetration Testing, Kehinde Alabi

Harrisburg University Other Works

No abstract provided.

Contrast And Compare The Cyber Hacking Laws Between The United States, Russian Federation, And The People's Republic Of China, Kehinde Alabi

Harrisburg University Other Works

Cyber hacking is a growing threat in the modern world. As the world becomes more digital, the threat of cybercrime continues to grow. Cyberattacks can lead to stolen personal information, financial losses and damage to critical information. The increase in the digital transformation of companies has also led to an increase in cyber security concerns. With cybercriminals using increasingly advanced methods to gain access and take advantage of sensitive information. As a result, governments around the world have developed measures, laws, and regulations to address cybercrime and protect against cyberattacks. The United States, Russian Federation, and the People’s Republic of …

การจำแนกและการประเมินประสบการณ์ผู้ใช้จากบทวิจารณ์ของผู้ใช้โมไบล์แอปพลิเคชันโดยใช้การเรียนรู้ของเครื่อง, จิราพร รามจุล

Chulalongkorn University Theses and Dissertations (Chula ETD)

การทำความเข้าใจประสบการณ์ของผู้ใช้ เป็นสิ่งสำคัญต่อความสำเร็จและการพัฒนาอย่างต่อเนื่องของโมไบล์แอปพลิเคชัน งานวิจัยนี้นำเสนอวิธีการจำแนกบทวิจารณ์ของผู้ใช้ตามลักษณะของประสบการณ์ผู้ใช้ที่มีต่อโมไบล์แอปพลิเคชัน โดยใช้ทั้งอัลกอริทึมการเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึก บทวิจารณ์ของผู้ใช้ถูกจำแนกตามมิติของประสบการณ์ผู้ใช้ในด้านการปฏิบัติและประสบการณ์ผู้ใช้ในด้านความเพลิดเพลิน ซึ่งประกอบด้วยลักษณะของประสบการณ์ผู้ใช้ทั้งหมด 8 รายการ ตามที่นิยามไว้ในแบบสอบถามประสบการณ์ผู้ใช้แบบสั้น ผลลัพธ์การจำแนกบทวิจารณ์ของผู้ใช้สามารถนำไปใช้ร่วมกับการวิเคราะห์ความรู้สึกจากบทวิจารณ์ เพื่อประเมินคะแนนประสบการณ์ผู้ใช้โดยรวมของโมไบล์แอปพลิเคชันได้อย่างอัตโนมัติ จากการทดลองประเมินประสิทธิภาพของโมเดลพบว่าเบิร์ต มีประสิทธิภาพดีกว่าซัพพอร์ตเวกเตอร์แมชีน แรนดอมฟอเรสต์ และ ลอจิสติกรีเกรสชัน โดยมีค่าความเที่ยง เท่ากับ 80%, ค่าเรียกคืน เท่ากับ 74%, ค่าเอฟวัน เท่ากับ 76%, ค่าความแม่น เท่ากับ 78% และค่าเอยูซี เท่ากับ 0.94 นอกจากนี้ค่าคะแนนประสบการณ์ผู้ใช้โดยรวมของโมไบล์แอปพลิเคชันที่คำนวณได้มีค่าสหสัมพันธ์เชิงบวกในระดับปานกลางถึงสูงเป็น 0.68 กับค่าคะแนนการจัดอันดับบนแอปสโตร์ ผลการศึกษานี้ชี้ให้เห็นถึงศักยภาพของการวิเคราะห์และประเมินคะแนนประสบการณ์ผู้ใช้อย่างอัตโนมัติในการเสริมสร้างคุณภาพของโมไบล์แอปพลิเคชันและความพึงพอใจของผู้ใช้

การพัฒนาส่วนแบ็กเอนด์ของเว็บแอปพลิเคชันโดยใช้เฟรมเวิร์กโหนดเจเอสแบบอิงแบบจำลอง, วีรยุทธ กันภัย

Chulalongkorn University Theses and Dissertations (Chula ETD)

การพัฒนาซอฟต์แวร์แบบอิงแบบจำลอง ได้กลายเป็นแนวทางที่มีศักยภาพในการวิศวกรรมซอฟต์แวร์ ซึ่งใช้แบบจำลองเป็นองค์ประกอบหลักในการสนับสนุนการพัฒนาซอฟต์แวร์ รวมถึงการพัฒนาเว็บแอปพลิเคชัน งานวิจัยนี้นำเสนอการประยุกต์ใช้แนวคิดของการพัฒนาแบบอิงแบบจำลองกับการพัฒนาแบ็กเอนด์ด้วยโหนดเจเอสโดยเน้นทั้งกระบวนการวิศวกรรมไปข้างหน้า และวิศวกรรมย้อนกลับ โดยได้พัฒนายูเอ็มแอลโพรไฟล์สำหรับโหนดเจเอสที่รองรับทั้งฐานข้อมูลแบบซีเควลและโนซีเควลเพื่อใช้ในการสร้างแบบจำลองการออกแบบของเว็บแอปพลิเคชัน และมีเครื่องมือสำหรับการแปลงแบบจำลองเป็นโค้ดและโค้ดเป็นแบบจำลอง ผลการประเมินแนวทางที่นำเสนอผ่านกรณีศึกษา 3 กรณี พบว่ากระบวนการวิศวกรรมไปข้างหน้ามีผลของอัตราการแปลงแบบจำลองเป็นโค้ดที่สูง โดยเฉพาะในส่วนของ Model (86.18-94.53%) และ Route (70.73-90.52%) โดยมีประสิทธิภาพที่ดีสอดคล้องกันทั้งในกรณีของซีเควล (มายซีเควล) และ โนซีเควล (มองโกดีบี) ขณะที่กระบวนการวิศวกรรมย้อนกลับให้ผลลัพธ์ความถูกต้องของการแปลงโค้ดเป็นแบบจำลองถึง 100% สำหรับโค้ดแบ็กเอนด์ในแต่ละรูปแบบการพัฒนา การดำเนินการนี้ช่วยลดระยะเวลาในการพัฒนาโค้ดอย่างมีนัยสำคัญ พร้อมทั้งคงไว้ซึ่งเอกสารประกอบระบบผ่านการสร้างแบบจำลองโดยอัตโนมัติ ซึ่งเป็นแนวทางที่ใช้งานได้จริงสำหรับการพัฒนาและบำรุงรักษาแบ็กเอนด์ด้วยโหนดเจเอส

การค้นหาค่าสัมประสิทธ์การปล่อยก๊าซเรือนกระจกบนพื้นฐานแบบจำลองภาษาขนาดใหญ่, สุชานันท์ กระบวนยุทธ

Chulalongkorn University Theses and Dissertations (Chula ETD)

งานวิจัยนี้ดำเนินการเพื่อวิจัยแบบจำลองภาษาขนาดใหญ่และเทคนิคต่างๆ ที่ช่วยเพิ่มศักยภาพของโมเดลเหล่านี้ รวมถึงวิศวกรรมที่รวดเร็วและการขยายความรู้เฉพาะ การศึกษานี้เกี่ยวข้องกับการออกแบบและพัฒนา AI agent เพื่อส่งคืนค่าสัมประสิทธ์ปล่อยก๊าซเรือนกระจกโดยอ้างอิงจากฐานข้อมูลที่ดูแลโดยองค์การบริหารก๊าซเรือนกระจก (องค์การมหาชน) ของประเทศไทย งานวิจัยนี้จะใช้ RAG เพื่อค้นหาข้อมูลที่ถูกจัดเก็บไว้ซึ่งมีความคล้ายคลึงกันมากที่สุดกับข้อมูลรับเข้า จากนั้น AI Agent จะส่งคืนค่าคำตอบเพียงคำตอบเดียวเดียวของค่าสัมประสิทธิ์การปล่อยก๊าซเรือนกระจกที่เกี่ยวข้องกับกิจกรรมที่รับเข้ามา จากการประเมินประสิทธิภาพของ LLM ขนาดกลางและขนาดใหญ่ที่ถูกเลือกทั้งห้าแบบจำลองนั้นมีแนวโน้มที่ดี

Causal Event Graph-Guided Language-Based Spatiotemporal Question Answering, Kaushik Roy, Alessandro Oltramari, Yuxin Zi, Chathurangi Shyalika, Vignesh Narayanan, Amit Sheth

Publications

Large Language Models have excelled at encoding and leveraging language patterns in large text-based corpora for various tasks, including spatiotemporal event-based question answering (QA). However, due to encoding a text-based projection of the world, they have also been shown to lack a fullbodied understanding of such events, e.g., a sense of intuitive physics, and cause-and-effect relationships among events. In this work, we propose using causal event graphs (CEGs) to enhance language understanding of spatiotemporal events in language models, using a novel approach that also provides proofs for the model’s capture of the CEGs. A CEG consists of events denoted by …

การอัตโนมัติกระแสงานของระบบการจัดการเนื้อหาด้วยพาวเวอร์ออโตเมต, อภิญญา แขนสูงเนิน

Chulalongkorn University Theses and Dissertations (Chula ETD)

งานวิจัยนี้นำเสนอการพัฒนาระบบอัตโนมัติกระแสงานของระบบจัดการเนื้อหา หรือ ซีเอ็มเอส โดยใช้ ไมโครซอฟต์ พาวเวอร์ ออโตเมต และ เอไอ บิวเดอร์ บูรณาการกับ สตราพี ซีเอ็มเอส และ แชร์พอยต์ เพื่อเพิ่มประสิทธิภาพ ลดความผิดพลาดจากการดำเนินงานด้วยมือ และยกระดับความคล่องตัวในองค์กร กระแสงานที่พัฒนาแชร์พอยต์ประกอบด้วยการบูรณาการเว็บฮุก ของ สตราพี ซีเอ็มเอส เพื่อเริ่มต้นกระบวนการอัตโนมัติ การตรวจสอบความถูกต้องของเนื้อหาด้วยเอไอ บิวเดอร์ การบันทึกข้อมูลเหตุการณ์และข้อผิดพลาดในแชร์พอยต์ อีกทั้งการแจ้งเตือนผ่านไมโครซอฟท์ ทีม นอกจากนี้ ยังมีการใช้ จีพีที 4.0 สำหรับการวิเคราะห์บันทึกข้อผิดพลาด เพื่อเสนอแนวทางแก้ไขและปรับปรุงกระบวนการ ผลการทดลองในธนาคารพาณิชย์ไทยแห่งหนึ่งแสดงให้เห็นว่าสามารถลดระยะเวลาในการจัดการเนื้อหาได้ร้อยละ 87.5 และลดข้อผิดพลาดจากการป้อนข้อมูลได้ร้อยละ 80 เมื่อเทียบกับการทำงานแบบเดิมด้วยมนุษย์ งานวิจัยนี้ได้เน้นให้เห็นถึงศักยภาพของการใช้เทคโนโลยีดิจิทัลที่นำไปสู่โซลูชันการอัตโนมัติระบบการจัดการเนื้อหาที่เป็นรูปธรรม

Zero-Shot Adaptation Of Molecular Generative Adversarial Network For Specific Protein Targets, Ravipas Aphikulvanich

Chulalongkorn University Theses and Dissertations (Chula ETD)

Drug discovery, crucial for identifying new potential drug candidates to treat diseases and improve health, is increasingly enhanced by deep learning approaches such as molecular generation models. However, creating drug candidates with desired properties, such as the quantitative estimate of drug-likeness (QED), synthetic accessibility (SA), and binding affinity (BA), remains a significant challenge, especially when training generative models for specific protein targets with limited pharmaceutical data. Addressing these challenges, this thesis presents Mol-Zero-GAN, a novel framework designed to generate drug candidates tailored to specific protein targets without additional data by employing zero-shot adaptation techniques and Bayesian optimization (BO). By fine-tuning …

การใช้เหมืองกระบวนการข้อมูลแบบหลายชั้นสำหรับเพื่อวิเคราะห์วิถีการรักษาพยาบาลของผู้ป่วยโรคเบาหวาน, Kantapat Chaichareenon

Chulalongkorn University Theses and Dissertations (Chula ETD)

This study addresses the challenge of chronic diseases like diabetes, requiring ongoing care. It aims to visualize revisit intervals affecting patient treatment using multi-level process mining and machine learning to identify factors causing missed appointments. Our research shows that patients with improvements have shorter revisit intervals than those deteriorating, with a P-value of 3.83x10%. A significant challenge is the high number of no-shows. Using PyCaret to compare 14 models, we found that the historical attendance of individual patients is a crucial factor in predicting no-shows, with an AUC score of 0.80 using the Gradient Boosting Clas-sifier. Our analysis suggests that …