Görüntü verilerinin etiketlenmesi üzerine meta öğrenme tabanlı dinamik aktif öğrenme yaklaşımı
Meta learning based dynamic active learning approach on labeling image data
- Tez No: 1025393
- Danışmanlar: DOÇ. DR. SAİT ALİ UYMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Aktif öğrenme, meta-öğrenme, pekiştirmeli öğrenme, PPO, hibrit sorgu stratejisi, tıbbi görüntü sınıflandırma, etiket verimliliği, davranış klonlama, Active learning, meta-learning, reinforcement learning, PPO, hybrid query strategy, medical image classification, label efficiency, behavior cloning
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Aktif öğrenme, etiketli verinin elde edilmesinin maliyetli olduğu uygulamalarda model performansını sınırlı bir etiketleme bütçesiyle en üst düzeye çıkarmayı amaçlayan bir makine öğrenmesi paradigmasıdır. Bu paradigmanın esas sorunu, mevcut yöntemlerin büyük çoğunluğunun sabit bir sorgu stratejisi üzerine tasarlanmış olması ve aynı yöntemin farklı veri kümelerinde tutarsız performans sergileyebilmesidir. Söz konusu sınırlılığı aşmak amacıyla aşamalı olarak geliştirilen iki özgün aktif öğrenme yöntemi önerilmektedir. İlk aşamada, belirsizlik ve çeşitlilik kriterlerini çift yönlü uyarlamalı bir β katsayısı ile birleştiren hibrit bir sorgu stratejisi olan AID-AL (Adaptive Information Density Active Learning) geliştirilmiştir. AID-AL, sabit ağırlıklı klasik hibrit yöntemlerin kısıtlarını aşarak hem örnek hem iterasyon düzeyinde uyarlanabilen bir yapı ortaya koymaktadır. Bu yaklaşım, ardından MMO-PPO (Multi-Metric Oracle Proximal Policy Optimization) ile dinamik aktif öğrenme stratejisi seçimine genişletilmiştir. MMO PPO, her aktif öğrenme iterasyonunda en uygun sorgu stratejisini dinamik olarak seçen pekiştirmeli öğrenme tabanlı bir meta-öğrenme çerçevesidir ve birden fazla stratejiyi tek bir uyarlanabilir karar mekanizması altında birleştirir. Önerilen yöntemler, genel amaçlı (MNIST, Fashion-MNIST) ve tıbbi görüntü (DermaMNIST, BloodMNIST) olmak üzere dört farklı veri seti üzerinde değerlendirilmiş; aktif öğrenme literatüründe yaygın olarak kullanılan beş temel strateji (Rastgele Örnekleme, En Düşük Güven, Marj Örneklemesi, Entropi Örneklemesi ve Çeşitlilik Örneklemesi) ile karşılaştırılmıştır. Değerlendirmede Doğruluk, Kesinlik, Duyarlılık, F1, AUC ve AUBC olmak üzere altı performans metriği kullanılmış; deneyler beş farklı seed üzerinden istatistiksel güvenilirlik sağlanarak gerçekleştirilmiştir. Deneysel sonuçlar, önerilen yöntemlerin kullanılan veri setlerinde tutarlı üst düzey performans sergilediğini göstermektedir. MMO-PPO yöntemi dört veri setinin tamamında ilk iki sırada yer almış; ortalama Doğruluk sıralaması 1,50 ve ortalama AUBC sıralaması 1,25 ile tüm yöntemler arasında en yüksek genel performansı sağlamıştır. AID-AL yöntemi ise dört veri setinin tamamında ikinci veya üçüncü sırada konumlanmıştır. Özellikle dengesiz tıbbi veri seti olan DermaMNIST üzerinde MMO-PPO, F1 metriği bakımından Entropi Örneklemesi'ne kıyasla %4,22, Marj Örneklemesi'ne kıyasla %7,53 ve Rastgele Örnekleme'ye kıyasla %26,34 göreli iyileşme sağlamıştır. Bu sonuç, önerilen yöntemin azınlık sınıflarındaki örneklerin doğru sınıflandırılması açısından klinik tanı destek sistemleri için pratik bir değer sunduğunu göstermektedir.
Özet (Çeviri)
Active learning is a machine learning paradigm that aims to maximize model performance with a limited labeling budget in applications where obtaining labeled data is costly. The fundamental problem of this paradigm is that the majority of existing methods are designed around a fixed query strategy, and the same method can exhibit inconsistent performance across different datasets. Two novel active learning methods developed through a progressive approach are proposed to address this limitation. In the first stage, AID-AL (Adaptive Information Density Active Learning) is developed as a hybrid query strategy that combines uncertainty and diversity criteria through a bidirectionally adaptive β coefficient. AID-AL overcomes the limitations of fixed-weight classical hybrid methods by introducing a structure that adapts at both the sample and iteration levels. This approach is subsequently extended to dynamic active learning strategy selection through MMO-PPO (Multi-Metric Oracle Proximal Policy Optimization). MMO-PPO is a reinforcement learning-based meta-learning framework that dynamically selects the most appropriate query strategy at each active learning iteration, integrating multiple strategies under a single adaptive decision mechanism. The proposed methods are evaluated on four different datasets, including general-purpose (MNIST, Fashion-MNIST) and medical imaging (DermaMNIST, BloodMNIST), and compared with five baseline strategies commonly used in the active learning literature (Random Sampling, Least Confidence, Margin Sampling, Entropy Sampling, and Diversity Sampling). Six performance metrics — Accuracy, Precision, Recall, F1, AUC, and AUBC — are used in the evaluation; experiments are conducted with five different seeds to ensure statistical reliability. Experimental results demonstrate that the proposed methods exhibit consistent high-level performance across the datasets used. The MMO-PPO method ranked in the top two in all four datasets, achieving the highest overall performance among all methods with an average Accuracy ranking of 1.50 and an average AUBC ranking of 1.25. The AID-AL method ranked second or third in all four datasets. Specifically, on the unbalanced medical dataset DermaMNIST, MMO-PPO showed a relative improvement of 4.22% compared to Entropy Sampling baseline, 7.53% compared to Margin Sampling, and 26.34% compared to Random Sampling in terms of the F1 metric. This result demonstrates that the proposed method offers practical value for clinical diagnostic support systems in terms of accurate classification of minority-class samples.
Benzer Tezler
- Generating a high-definition map (HD MAP) via yolo (you only look once) deep learning-based object detection model
Yolo (you only look once) derin öğrenme tabanli nesne tespit modeli ile yüksek tanimli hari̇ta (HD MAP) oluşturma
YASİN MEMİ
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HANDE DEMİREL
- Hybrid deep multi-criteria recommender system model
Hibrit derin çok kriterli öneri sistemi modeli
ABDULRAHMAN ALNAHHAS
Yüksek Lisans
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF İLKER TOPCU
- Doku ve renk öznitelikleriyle tarla görüntülerinden bitki ve fenolojik evrelerinin çıkarımı
Plant and phenology recognition from field images using texture and color features
FATİH GÜLAÇ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Görüntü işleme ve yapay zekâ teknikleri kullanarak havadan alınan görüntülerin bulanıklık giderilmesi ve zararlı tespiti yapılması
Deblurring and pest detection of aerial images using image processing and artificial intelligence techniques
ÖMER ÇANGA
Yüksek Lisans
Türkçe
2024
Sivil HavacılıkErciyes ÜniversitesiSivil Havacılık Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT ONAY
- Improving lane change decisions in autonomous driving using adversarial learning
Otonom sürüşte şerit değiştirme kararlarının karşıt öğrenme yöntemiyle iyileştirilmesi
AYTUĞ ONURHAN EFİL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN