CNN mimarilerini kullanarak kendi kendine öğrenen sözde etiketleme algoritması için yeni bir kolektif yaklaşım
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: Mehmet Akdiş
Asıl Danışman (Eş Danışmanlı Tezler İçin): Banu Diri
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Yarı gözetimli öğrenme, hem etiketli hem de etiketsiz örneklemleri bir arada kullanarak gözetimli ve gözetimsiz öğrenme yöntemlerini birleştiren bir yaklaşımdır. Bu yaklaşımın temel amacı, etiketsiz örneklemlerden bilgi çıkartarak makine öğrenmesi yönteminin (modelin) tahmin performansını arttırmaktır. Bu kapsamda geliştirilen algoritmalar arasında, yaygın olarak kullanılan yöntemlerden biri de kendi kendine öğrenme (self-learning) algoritmasıdır. Kendi kendine öğrenme algoritması, modelin etiketli örneklemler ile eğitilmesiyle başlar. Eğitim süreci tamamlanan modelin, etiketsiz örneklemler üzerindeki tahmin olasılıkları hesaplanır. Elde edilen bu olasılıklar önceden tanımlanmış olan bir eşik değeri ile kıyaslanır. Eşik değerinden daha yüksek olasılığa sahip örneklemlerin sözde etiketleri (pseudo-labels) üretilir. Sözde etiketleri üretilen bu örneklemler, etiketsiz örneklemler arasından çıkartılarak etiketli örneklemler arasına eklenir. Bir sonraki iterasyonda model, güncellenmiş etiketli örneklemlerle en baştan eğitilir. Bu süreç, etiketsiz örneklem kalmayana kadar iteratif bir şekilde tekrarlanır. Önerilen yöntemde ise kendi kendine öğrenme algoritmasına kolektiflik kazandırılmıştır. Bu kapsamda, sözde etiket üretiminde sadece anlık modelin tahminlerini kullanmak yerine geçmiş iterasyonlardaki modellerin oluşturduğu kolektif tahminde kullanılmıştır. Bu kolektif yaklaşım, Momentumlu Stokastik Gradyan İnişi (SGDM) algoritmasındaki geçmiş gradyanların oluşturduğu hız (velocity) vektöründen esinlenerek kurulmuştur. Her iterasyon sonunda eğitilen modelin etiketsiz veri üzerindeki olasılık tahminleri depolanır. Belli bir iterasyon anı için hem anlık iterasyondaki modelin olasılık tahminleri hem de depolanmış olasılık tahminlerinin birlikte oluşturduğu kolektif sonuç birleştirilir. Depolanmış olasılıkların kolektif sonucu bulunurken her bir modelin tahmin olasılıkları, doğrulama örneklemleri üzerindeki doğruluk değeri ile ağırlıklandırılmıştır. Böylece daha başarılı tahminlerin etkisi arttırılmışken, başarısız olan tahminlerin etkisi azaltılmıştır. Birleştirme aşamasında ise anlık modelin olasılık tahminleri (1-0,1), (1-0,2), ..., (1-0,9) ile geçmiş modellerin oluşturduğu kolektif sonuç 0,1, 0,2, ..., 0,9 tam sayıları ile ağırlıklandırılmıştır. Ayrıca adaptif bir şekilde de ağırlıklandırma da yapılmıştır. Birleştirme sonrası elde edilen nihai olasılıklar ise sözde etiket üretiminde kullanılmıştır. Böylelikle sözde etiketlerin üretiminde hem anlık model hem de geçmiş iterasyonlardaki modeller kullanılmış olur. Önerilen bu algoritma, iki aşamadan meydana gelen kolektif yaklaşımıyla, kendi kendine öğrenen algoritmasına yenilik katmıştır. Önerilen bu yaklaşım, EfficientNetB0, DenseNet121 ve ResNet34 mimarileri ile CIFAR-10, Intel Image Classification ve Gtzan veri kümelerinde test edilmiştir. En başarılı sonuçlar, adaptif ağırlıklandırma ile alınmıştır. Etiketsiz örneklemlerin tamamının etiketlendiği deneysel bulgulara göre önerilen yöntem, aynı süre içinde, kullanılan mimari ve veri setine bağlı olarak ortalama %5,35-%14,82 daha yüksek doğruluğa sahip olmuştur. Bütün süreç içerisindeki en iyi iterasyon anındaki doğruluk değerlerinde ise önerilen yöntem, kullanılan mimari ve veri setine bağlı olarak ortalama %3,58-%8,81 daha yüksek doğruluk vermiştir.