Mathematical programming and statistical learning approaches for multiple instance learning
Çoklu örnekle öğrenme için matematiksel programlama ve istatistiksel öğrenme yaklaşımları
- Tez No: 540501
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN, PROF. DR. ZEKİ CANER TAŞKIN
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gerçek hayattaki pek çok sınıflandırma uygulaması sınıf ayrımı için gerekli olan bilginin saklanması için karmaşık yapılı nesnelerin temsilinde bir esneklik gerektirir. Çoklu Örnekle Öğrenme (ÇÖÖ), sınıflandırma problemini her nesnenin bir örnek torbası ile temsil edildiği durumda çözmeyi amaçlar ve sınıf etiketleri bireysel örnekler için değil, sadece torbalar için sağlanmaktadır. Amaç, yeni torbaları doğru şekilde etiketleyen bir sınıflandırıcının öğrenilmesidir. Bu tezde, farklı uygulama alanlarına ait ÇÖÖ problemlerini çözmek için istatistiksel öğrenme ve matematiksel eniyileme yöntemleri öneriyoruz. İlk olarak, ÇÖÖ için torba seviyesinde öznitelik vektörleri üreten torba kodlama izlemleri sunuyoruz. Torbaların temsili öznitelik vektörlerini öğrenmek için örnek uzayını bölümleyen basit yaklaşımlar kullandık. Geniş bir ÇÖÖ veritabanı üzerinde yaptığımız deneyler rastgele ağaç tabanlı kodlamanın ölçeklenebilir olduğunu ve sınıflandırma başarımı açısından bilinen yöntemlerle rekabet edebildiğini göstermektedir. Matematiksel programlama temelli ÇÖÖ yaklaşımları torba seviyesinde bir karar fonksiyonu oluşturur. Bu bağlamda, ÇÖÖ probleminin doğru sınıflandırma için torba sıralamasını eniyileyen bir doğrusal programlama gösterimini sunuyoruz. Önerilen gösterim örnek seviyesindeki tahminleri birleştirerek torba etiketini tahmin eder. Çeşitli veri gösterimleri üzerindeki problem örnekleri makul bir hesaplama zamanında eniyiye çözülmektedir. Son olarak, dikkate alınan varsayımlar ve hesaplama zorluğu açısından önceki ÇÖÖ gösterimlerinden üstün olan bir karesel programlama gösterimi geliştiriyoruz. Önerilen ÇÖÖ yöntemi torba sınıfı etiketlerine örneklerin katkısını modeller ve bir torba sınıfı karar eşiği sağlar. Deneysel sonuçlar önerilen gösterimin farklı ÇÖÖ uygulamalarındaki sınıflandırma etkinliğini doğrulamaktadır.
Özet (Çeviri)
Many real-world applications of classification require flexibility in representing complex objects to preserve the relevant information for class separation. Multiple instance learning (MIL) aims to solve classification problem where each object is represented with a bag of instances, and class labels are provided for the bags rather than individual instances. The aim is to learn a function that correctly labels new bags. In this thesis, we propose statistical learning and mathematical optimization methods to solve MIL problems from diversified application domains. We first present bag encoding strategies to obtain bag-level feature vectors for MIL. Simple instance space partitioning approaches are utilized to learn representative feature vectors for the bags. Our experiments on a large database of MIL problems show that random tree-based encoding is scalable and its performance is competitive with the state-of-the-art methods. Mathematical programming-based approaches to MIL problem construct a bag-level decision function. In this context, we formulate MIL problem as a linear programming model to optimize bag orderings for correct classification. Proposed formulation combines instance-level scores to return an estimate on the bag label. All instances are solved to optimality on various data representations in a reasonable computation time. At last, we develop a quadratic programming formulation that is superior to previous MIL formulations on underlying assumptions and computational difficulties. Proposed MIL framework models contributions of instances to the bag class labels, and provide a bag class decision threshold. Experimental results verify that proposed formulation enables effective classification in various MIL applications.
Benzer Tezler
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- İki katlı pamuk ipliklerinden dokunan kumaşlarda örgüye bağlı olarak maksimum atkı sıklığının değişimi üzerinde bir araştırma
Başlık çevirisi yok
MELTEM ASLI NARTER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Kömürdeki piritin giderilmesi ve çözünürleştirme kinetiğinin incelenmesi
Başlık çevirisi yok
YAVUZ ONGANER