Büyük Veride Çapraz Entropiye Dayalı Kayıp Fonksiyonu Yardımıyla Değişken Seçimi

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen-Edebiyat Fakültesi, İstatistik Bölümü, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: Hıncal Topçuoğlu

Danışman: Atıf Ahmet Evren

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Özellik seçimi, makine öğreniminde çok boyutluluk sorunu hafifletmek için kritik bir ön işleme adımıdır. Mevcut yöntemler tam bir denge sunmamaktadır: filtre yöntemleri hızlıdır ancak genellikle optimum değildir, sarmalayıcı yöntemler ise güçlüdür ancak hesaplama açısından çok maliyetlidir. Bu tez, sarmalayıcı yöntemlerin performansını daha basit modellerin hızında elde eden yeni, uçtan uca türevlenebilir bir çerçeve olan LAFS'yi (Öğrenilebilir Dikkat Mekanizması ile Özellik Seçimi) önermektedir. LAFS, tek bir ileri geçişte tüm özellikler için bağlam duyarlı önem puanlarını eş zamanlı olarak öğrenmek için bir sinirsel dikkat mekanizması kullanır. Seyrek ve gereksiz olmayan bir özellik alt kümesinin seçilmesini teşvik etmek için, standart sınıflandırma amacını dikkat ağırlıkları üzerinde bilgi kuramsal bir entropik düzenleyici ile birleştiren yeni bir hibrit kayıp fonksiyonu sunulmaktadır. Karşılaştırma veri kümeleri üzerinde kapsamlı ampirik doğrulama yoluyla, LAFS'nin karmaşık özellik etkileşimlerini başarıyla tanımladığını ve çoklu doğrusallığı ele aldığını, en gelişmiş yöntemlerle karşılaştırılabilir sonuçlar elde ettiğini göstermektedir. Çalışmamız, doğruluk-verimlilik sınırında yeni bir nokta belirleyerek, dikkat mekanizmasına dayalı mimarilerin özellik seçimi problemine güçlü ve uyumlu bir çözüm sağladığını ortaya koymaktadır.