Adaptive curriculum learning strategies in computer vision and natural language processing
Bilgısayarla görme ve doğal dil işlemede uyarlanabilir müfredat öğrenme stratejıleri
- Tez No: 1007495
- Danışmanlar: DOÇ. DR. CEMAL OKAN ŞAKAR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, bilgisayarlı görü ve doğal dil işleme alanlarında sınıflandırma performansını artırmak amacıyla uyarlanabilir müfredat öğrenme (Curriculum Learning, CL) stratejilerinin uygulanmasını incelemektedir. Görüntü sınıflandırma alanında, istatistiksel bir çerçeve ile CL yaklaşımını birleştiren ve birden fazla özelliğin eşzamanlı tahminini mümkün kılan çok görevli bir dikkat mekanizması önerilmektedir. Bu yöntem, çok görevli senaryolarda modeli daha dayanıklı hale getirmektedir. Yöntem, iki veri kümesi üzerinde doğrulanmıştır: Ateşleme pimi izlerinden silah ve çap tanımlamak için kullanılan adli bir veri kümesinde yüzde 98'e varan doğruluk elde edilmiş, Animals with Attributes 2 veri setinde ise geleneksel CNN modellerine kıyasla hata oranı yüzde 10'a kadar azaltılmıştır. Tez, metin sınıflandırma alanında ise Belirsizlik Farkındalıklı Müfredat Öğrenme çerçevesi geliştirmektedir. Bu çerçeve, örnek zorluk seviyesini tahmin etmek için öngörümsel entropiyi ve öz dikkat mekanizmasıyla güçlendirilmiş çift yönlü LSTM'i kullanarak eğitim örneklerini kolaydan zora dinamik olarak yeniden sıralar. Ayrıca uyarlanabilir öğrenme oranları ile eğitimi optimize eder. IMDB ve Yelp 5 duygu analizi veri setlerinde yapılan değerlendirmeler, BiLSTM, Word2Vec tabanlı LSTM ve FastText gibi hafif modellerde yüzde 0.67 ile yüzde 3.87 arasında tutarlı performans artışları göstermektedir. Çerçeve MobileBERT ve BERT modellerine de uygulanmış ve ek iyileşmeler sağlamıştır. Son olarak, yaklaşım sıfır atış öğrenme için uyarlanmış ve AG News üzerinde yapılan deneylerde yüzde 3.81 ile yüzde 10.3 arasında doğruluk artışı elde edilmiştir. Genel olarak tez, uyarlanabilir müfredatın belirsizlik tahmini ve çok görevli dikkat mekanizmalarıyla birleştiğinde hem görüntü hem metin sınıflandırma problemlerinde, transformer tabanlı ve sıfır atış senaryolar dahil, eğitim verimliliğini ve model performansını artırdığını göstermektedir.
Özet (Çeviri)
This thesis investigates adaptive curriculum learning (CL) strategies to improve classification performance in computer vision and natural language processing. For image classification, it introduces a multitasking attention mechanism that enables simultaneous prediction of multiple features by combining statistical modeling with CL. This approach increases robustness in multitask scenarios. Experiments on two datasets validate the method: a forensic firing-pin impression dataset, where the system achieves up to 98% accuracy in firearm and caliber identification, and the Animals with Attributes 2 dataset, where it reduces classification errors by up to 10% compared to conventional CNN architectures. The research extends to text classification through the development of an Uncertainty-Aware Curriculum Learning framework. This framework uses predictive entropy and a self-attention-enhanced bidirectional LSTM to estimate instance difficulty and dynamically reorder training samples from easy to hard. It incorporates adaptive learning rates to further optimize training. Evaluations on IMDB and Yelp-5 sentiment benchmarks show consistent gains of 0.67% to 3.87% across lightweight models such as BiLSTM, LSTM with Word2Vec, and FastText. The framework is also integrated into MobileBERT and BERT, yielding additional improvements. Finally, the CL approach is adapted for zero-shot learning with transformer models. Experiments on AG-News demonstrate accuracy increases ranging from 3.81% to 10.3%. Overall, the thesis shows that combining adaptive curricula with uncertainty estimation and multitask attention yields more effective and efficient training pipelines for both vision and language classification, including zero-shot and transformer-based applications.
Benzer Tezler
- Automated curriculum design for reinforcement learning with graph theory and evaluation heuristics
Çizge kuramı ve değerlendirme bazlı sezgisel yöntemler ile pekiştirmeli öğrenme için otomatik müfredat tasarımı
ANIL ÖZTÜRK
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Öz-güdümlü öğrenmelere yönelik değerlendirmeler için bilgisayarlı sınıflama test sistemine katılım profillerinin incelenmesi
The investigation of students' participation profiles in computerized classification testing for self-directed learning oriented assessment
ÖMER ORAL
Yüksek Lisans
Türkçe
2019
Eğitim ve ÖğretimHacettepe ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. HALİL YURDUGÜL
- Ana dil Arapça olmayanlara yönelik Arapça dil öğretiminin geliştirilmesinde bütünleşik eğitim stratejisinin etkinliği
The effectiveness of integrated education strategy in improving Arabic language teaching to non-native Arabic speakers
MOHAMAD AMIN MOSTO
Doktora
Arapça
2025
Doğu Dilleri ve EdebiyatıGazi ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
PROF. DR. MUSA YILDIZ
- Matematik öğretmenlerinde uyarlayıcı uzmanlığın gelişimini etkileyen yaşantılar ve öğretim süreçlerine yansımaları
Experiences affecting the development of adaptive expertise in mathematics teachers and its reflections on their teaching processes
ZÜLAL UĞUR ARSLAN
Doktora
Türkçe
2021
Eğitim ve ÖğretimAnkara ÜniversitesiEğitim Programları Ana Bilim Dalı
PROF. DR. FATMA BIKMAZ
- Mimarlıkta malzeme eğitimine yapay zekâ entegrasyonu üzerine bir araştırma
A study on integration of artificial intelligence into material education in architecture
PEYAM BAŞER
Yüksek Lisans
Türkçe
2025
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SEDEN ACUN ÖZGÜNLER
DR. ÖĞR. ÜYESİ MİNE TOPÇUBAŞI