Efficient learning strategies over distributed networks for big data
Büyük veriler için dağınık ağlarda etkili öğrenme teknikleri
- Tez No: 470022
- Danışmanlar: DOÇ. DR. SÜLEYMAN SERDAR KOZAT, DOÇ. DR. SİNAN GEZİCİ, PROF. DR. ÇAĞATAY CANDAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 65
Özet
Bu tezde dağınık ağlarda çevrimiçi öğrenme teknikleri üzerinde çalışmaktayız. Dağınık ağlarda iletişim ve işleme kapasitesine sahip ajanlar ağ üzerinde birlikte çalışarak gürültülü gözlemler üzerinden altta yatan bir parametreyi kestirmeye çalışırlar. Bu sistemlerin uygulanabilirliği için yüksek kestirim performansı sağlanırken, etkili iletişim ve işleme kabiliyetlerine sahip olmak da esastır. Bu bağlamda, tezimizde düşük iletişim ve işleme ağırlığı ile literatüre göre yüksek performans sağlayan dağınık çevrimiçi öğrenme metodları sunmaktayız. Tezin ilk kısmında yüksek iletişim ağırlığı gerektiren merkezi dağınık ağlar için küme üyeliği tabanlı yeni bir yöntem sunarak, bu tarz ağların gerektirdiği iletişim ve işlem ağırlığını azaltarak, literatürde bulunan benzer algoritmalara göre çok daha üstün bir performans elde etmekteyiz. Tezin ikinci kısmında ise dinamik parametre kestirimi için merkezi olmayan dağınık öğrenme teknikleri üzerinde çalışmaktayız. Bu ağlarda her ajan kendi kestirimini gözlemlerine ve etraftan aldıkları bilgilere göre oluşturmaktadır. Bu bağlamda biz merkezi olmayan ağlarda optimum öğrenmenin gerçekleşmesi için gerekli şartları ortaya koymakta ve sadece kestirimlerin paylaşılması ile optimum öğrenim performansına ulaşmanın sadece belirli ağ topolojilerinde mümkün olduğunu göstermekteyiz. Daha sonra bu çıkarımlar üzerinden optimum öğrenme performansına erişecek yinelemeli algoritmayı ortaya koyarak gerekli birleşim ağırlıklarını ve kestirimi gerçekleştirecek çıkarımları yapmaktayız. Tez sırasında, yaratılmış ve reel datalar üzerinde gerçekleştirdiğimiz simülasyonlar ile ortaya koyduğumuz bu yöntemlerin hem öğrenme hızı olarak hem de nihai hata seviyeleri olarak literatürde bulunan yöntemlere göre çok daha üstün bir performans gösterdiklerini sergilemekteyiz.
Özet (Çeviri)
In this thesis, we study the problem of online learning over a distributed network, where agents in the network collaboratively estimate an underlying parameter of interest using noisy observations. For the applicability of such systems, sustaining a communication and computation efficiency while providing a comparable performance plays a crucial role. To this end, in this work, we propose computation and communication wise highly efficient distributed online learning methods that present superior performance compared to the state-of-the-art. In the first part of the thesis, we study distributed centralized estimation schemes, where such approaches require high communication bandwidth and high computational load. We introduce a novel approach based on set-membership filtering to reduce such burdens of the system. In the second part of our work, we study distributed decentralized estimation schemes, where nodes in the network individually and collaboratively estimate a dynamically evolving parameter using noisy observations. We present an optimal decentralized learning algorithm through disclosure of local estimates and prove that optimal estimation in such systems is possible only over certain network topologies. We then derive an iterative algorithm to recursively construct the optimal combination weights and the estimation. Through series of simulations over generated and real-life benchmark data, we demonstrate the superior performance of the proposed methods compared to state-of-the-art distributed learning methods. We show that the introduced algorithms provide improved learning rates and lower steady-state error levels while requiring much less communication and computation load on the system.
Benzer Tezler
- Deep neural network-based stealthy false data injection attack detection on der integrated systems
Dek entegre sistemlerinde derin sinir ağı tabanlı gizlenmiş yanlış veri enjeksiyon saldırısı tespiti
CAN GÜRKAN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Sign predictability of intraday price returns to formulate appropriate trading strategies with optimum set of equities
Optimum hisse senedi kümesi ile uygun işlem stratejileri oluşturmak için gün içi fiyat getirilerinin işaret tahmin edilebilirliği
ABDURRAHMAN KILIÇ
Doktora
İngilizce
2024
Ekonometriİstanbul Teknik Üniversitesiİktisat (İngilizce) Ana Bilim Dalı
PROF. DR. BÜLENT GÜLOĞLU
- Kısa süreli Türkiye dağıtılan elektrik tahmini
Başlık çevirisi yok
ASİLHAN MEHMET NACAR
Yüksek Lisans
Türkçe
2023
EnerjiÜsküdar ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
PROF. DR. NURİ BİNGÖL
- A tipi yatırım fonlarında etkin bir nakit yönetim stratejisi oluşturmada analitik hiyerarşi yaklaşımı
Başlık çevirisi yok
FERAL YOLAL
Yüksek Lisans
Türkçe
1998
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CEMİL ALBAYRAK