Domain adaptation on graphs by learning aligned graph bases
Hizalanmış graf tabanları öğrenerek graflar üzerinde alan uyarlama
- Tez No: 507165
- Danışmanlar: DR. ÖĞR. ÜYESİ ELİF VURAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Bu tezde, alan uyarlaması problemi üzerine çalışılmıştır ve graflar üzerinde alan uyarlaması için bir metot önerilmiştir. Kaynak graf üzerinde yeterli miktarda gözlem bulunduğunda, hedef etiket fonksiyonunu kestirmek için kaynak graf üzerindeki etiket bilgisini hedef grafa taşıma problemi çalışılmıştır. Graf sinyali olarak adlandırılan etiket fonksiyonunun frekans içeriğinin, kaynak ve hedef alanlarda benzer karakteristiğe sahip olduğuna dair bir varsayımımız bulunmaktadır. Önerilen yöntemde iki graf aynı anda hizalanarak kaynak ve hedef etiket fonksiyonları graf tabanları üzerinde benzer katsayılara sahip olacak şekilde kestirilmektedir. Graf tabanları öğrenilirken birbirlerine karşılık gelen kaynak ve hedef vektörlerin benzer spektral içeriğe sahip olmasına dikkat edilmektedir. Taban öğrenme problemi kaynak ve hedef Fourier tabanları arasında lineer bir dönüşüm olarak formüle edilmiştir. Buradaki formülasyonda her bir kaynak Fourier taban vektörü, hedef Fourier taban vektörlerinin lineer kombinasyonlarından elde edilen yeni bir hedef taban vektörüne eşlenmiştir. Önerilen algoritmanın performansını test etmek için bir sentetik veri kümesi, iki ayrı görüntü veri kümesi ve bir adet kitap yorumu veri kümesi kullanılmıştır. Ayrıca, önerilen algoritmanın performansı temel yapay öğrenme algoritmaları ve güncel alan uyarlama algoritmaları ile karşılaştırılmıştır. Farklı tipteki veri kümeleri üzerinde uygulanan deneyler, önerilen metodun referans alan uyarlama metotlarından daha iyi performans gösterdiğini ortaya koymuştur. Bildiğimiz kadarıyla, bizim yaklaşımımız alan uyarlaması probleminde, verileri bir ortam uzayına yerleştirme ihtiyacı olmadan, tamamen graf tabanlı yapılan ilk çalışmadır. Bu özellik, graflar ve ağlar üzerinde öğrenmeye dayalı problemler için bilhassa uygundur.
Özet (Çeviri)
In this thesis, the domain adaptation problem is studied and a method for domain adaptation on graphs is proposed. Given sufficiently many observations of the label function on a source graph, we study the problem of transferring the label information from the source graph to a target graph for estimating the target label function. Our assumption about the relation between the two domains is that the frequency content of the label function, regarded as a graph signal, has similar characteristics over the source and the target graphs. We propose a method to learn a pair of coherent bases on the two graphs, such that the corresponding source and target graph basis vectors have similar spectral content, while ``aligning'' the two graphs at the same time so that the reconstructed source and target label functions have similar coefficients over the bases. We formulate the basis learning problem as the learning of a linear transformation between the source and target graph Fourier bases so that each source Fourier basis vector is mapped to a new basis vector in the target graph obtained as a linear combination of the target Fourier basis vectors. One synthetic dataset, two image datasets and one book review dataset are used to test the performance of the proposed algorithm. Besides, baseline machine learning methods and recent domain adaptation algorithms are utilized to compare the performance of the proposed algorithm with the methods in the literature. Experiments on several types of data sets suggest that the proposed method compares quite favorably to reference domain adaptation methods. To the best of our knowledge, our treatment is the first to study the domain adaptation problem in a purely graph-based setting with no need for embedding the data in an ambient space. This feature is particularly convenient for many problems of interest concerning learning on graphs or networks.
Benzer Tezler
- Çapraz e-ticaret pazarlarında hibrit öneri sistemi
Hybrid recommendation system at cross e-commerce markets
EMRE KÖSE
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- 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
- Statistical learning with proximity catch digraphs
Yakınlık yakalama yönlü çizgeleri ile istatistiksel öğrenme
ARTÜR MANUKYAN
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. MİNE ÇAĞLAR
- Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty
Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi
GÖNÜL ULUDAĞ
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA UYAR
- Türkçe sözcük anlam belirsizliği giderme
Word sense disambiguation for Turkish
BAHAR İLGEN
Doktora
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EŞREF ADALI
YRD. DOÇ. DR. AHMET CÜNEYD TANTUĞ