Feature enhancement with deep generative models in deep Bayesian active learning
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: PINAR EZGİ DUYMUŞ
Danışman: ŞEYDA ERTEKİN BOLELLİ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Derin Öğrenme alanında yeni gelişmeler gerçekleştikçe, veriye yoğun olarak ihtiyaç duyan modeller ortaya çıkmaktadır. Bununla birlikte, birçok veri noktasına sahip işaretlenmiş veri kümelerine ulaşmak sürekli olarak yaygın değildir. Bu durum, sınıflandırıcı modelin doğruluğundan ödün vermeyerek mümkün olan en az miktarda veri noktası seçmek için Aktif Öğrenmenin gerekliliğini vurgulamaktadır. Derin Ağ modeline, model değişkenlerindeki belirsizliğin dahil edilmesi anlamına gelen Derin Bayes Aktif Öğrenme alanında yeni gelişmeler ortaya çıkmaktadır. Bu çalışmada, resim sınıflandırma problemi özelinde, Derin Bayes Aktif Öğrenme modelinin doğruluğunu artıran bir algoritma sunulmuştur. Derin Üretken Modellerin öznitelik çıkarma yeteneklerini kullanarak onların temsil gücünden yararlanılmaktadır. Üretken bir model eğitilerek, saklı vektör olarak adlandırılan girdi veri noktalarının gelişmiş öznitelik uzayı temsili elde edilmektedir. Aktif öğrenme ortamında, tüm görüntü uzayını kullanmak yerine, gizli alan kullanmanın aktif öğrenme problemi için daha iyi veri noktası seçimine imkan sağladığı görülmektedir; dolayısıyla daha yüksek doğruluk elde edilmiş olur. Ayrıca, bu çalışma, daha iyi öznitelik temsilini yakalama yeteneği açısından farklı üretken modelleri karşılaştırır. Veri noktalarının bilgilendiriciliği, aktif bir öğrenme algoritmasının ne kadar iyi olduğunu belirlemektedir. Bu sebeple, bir veri noktasının gizli uzay temsilini, mümkün olan en yüksek bilgi değerini çıkararak yakalayabilmek önemli bir katkıdır. Sıradan Değişimsel Özkodlayıcılar, Maksimum Ortalama Çelişkili Değişimsel Özkodlayıcılar ve İkiyönlü Çekişmeli Üretici Ağlar gibi farklı Üretken Modeller üzerinde karşılaştırmalar ve deneyler sunulmuştur. Ek olarak, Bayes Aktif Öğrenme, Mod-Çökmesi sorunundan etkilenmektedir. Bu problemi azaltmak amacıyla, veri noktalarının çeşitliliğini ve algoritmanın doğruluğunu artırmak için çeşitlilik bazlı bir sorgu algoritması önerilmiştir.