Satranç verileri kullanarak graf sinir ağlarının karşılaştırmalı performans değerlendirmesi
Comparative performance evaluation of graph neural networks using chess data
- Tez No: 1024907
- Danışmanlar: PROF. DR. AYŞEGÜL ALAYBEYOĞLU, ÖĞR. GÖR. ÜMİT SARP
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, Kaggle platformundan almış olunan 20.040 gerçek satranç oyunundan oluşan bir veri seti kullanılarak Graf Sinir Ağı (GNN) modellerinin satranç oyun sonuç tahminindeki karşılaştırmalı performansları değerlendirilmektedir. Bu çalışma kapsamında GCN (Graph Convolutional Network), GraphSAGE, GAT (Graph Attention Network), GIN (Graph Isomorphism Network) ve APPNP (Approximate Personalized Propagation of Neural Predictions) olmak üzere beş farklı GNN mimarisi kullanılmıştır. Burada satranç oyunları, her hamlenin bir düğümü ve ardışık hamleler arasındaki ilişkilerin kenarları oluşturduğu yönlü graflar biçiminde ifade edilmiştir. Her düğüme oyuncu bilgileri, hamle sayısı, derecelendirme puanı ve oyunun bitiş koşulları gibi sekiz temel özellik atanmış olmakla beraber modeller, 20 epoch süresince eğitilmiş ve beyaz oyuncunun galip gelmesi, siyah oyuncunun galip gelmesi ve beraberlik olmak üzere üç sınıflı bir sınıflandırma görevi ile incelenmiştir. Elde edilen sonuçlara bakınca en yüksek test doğruluğu %79,1 ile GCN elde etmiştir. GraphSAGE %77,9 ile yakın bir performans sergilemiş ve hız-doğruluk dengesi açısından en verimli model halini almıştır. GAT, attention mekanizmasının içerdiği özelliklerden de ötürü satranç hamle yapısında beklenen avantajı sağlayamaması nedeniyle en uzun eğitim süresi (223,95 saniye) ve en düşük performanslardan biri (%67,2) ile öne çıkmıştır. GIN (%67,8) ve APPNP (%65,4) modelleri ise orta düzey performans sergilemiştir. Bu bulgular, model karmaşıklığının her veri türünde daha yüksek başarı anlamına gelmediğini göstermektedir.
Özet (Çeviri)
This thesis evaluates the comparative performance of Graph Neural Network (GNN) models in predicting chess game outcomes, using a dataset of 20,040 real chess games obtained from the Kaggle platform. Within the scope of this study, five distinct GNN architectures were employed: GCN (Graph Convolutional Network), GraphSAGE, GAT (Graph Attention Network), GIN (Graph Isomorphism Network), and APPNP (Approximate Personalized Propagation of Neural Predictions). Chess games were represented as directed graphs, in which each move constitutes a node and the relationships between consecutive moves constitute edges. Eight core features were assigned to each node, including player information, move count, rating score, and game termination conditions. The models were trained over 20 epochs and evaluated on a three-class classification task encompassing white player victory, black player victory, and draw.An analysis of the results reveals that GCN achieved the highest test accuracy at %79.1. GraphSAGE demonstrated a comparable performance at %77.9 and emerged as the most efficient model in terms of the speed-accuracy trade-off. GAT exhibited one of the longest training durations (223.95 seconds) alongside one of the lowest accuracy scores (%67.2), attributed to its failure to leverage the expected advantages of the attention mechanism within the chess move structure. GIN (%67.8) and APPNP (%65.4) delivered moderate levels of performance. These findings suggest that increased model complexity does not necessarily translate into superior performance across all data types.
Benzer Tezler
- Computational methods in pattern evoked potentials
Başlık çevirisi yok
SELÇUK CANBEK
Yüksek Lisans
İngilizce
1991
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiPROF.DR. NEŞE YALABIK
