Topics in optimization via deep neural networks
Derin sinir ağları üzerinden eniyileme konuları
- Tez No: 752116
- Danışmanlar: PROF. DR. MUSTAFA ÇELEBİ PINAR
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Derin öğrenme ve optimizasyonun kesiştiği, Derin Portföy Optimizasyonu ve Alt Küme Tabanlı Hata Önleme çalışmalarına odaklanıyoruz. Finansta derin modellerin ortaya çıkmasıyla birlikte portföy optimizasyon literatürü, klasikleşmiş model temelli yaklaşımlardan, veriye dayalı modellere doğru kaymıştır. Bununla birlikte, derin portföy modelleri genellikle verilerin durağan olmayan yapısı nedeniyle sorun yaşamaktadır ve elde edilen sonuçlar her zaman istikrarlı değildir. Tekrarlayan Sinir Ağları teknolojisine kıyasla elde edilen sonuçları iyileştirmek ve modellerin kararlılığını artırmak için verideki grafiksel bilgiden yararlanmamıza izin veren Grafik Sinir Ağlarını kullanmayı öneriyoruz. Ek olarak, tamamen veriye dayalı modellerde risk algısı hakkında fikir vermek adına derin portföy optimizasyon modelleri arasında algoritmik risk-getiri dengesini analiz ediyoruz. İkinci olarak, Aşırı Öğrenme Makinesi (AÖM) yapısını kullanan bir gürültü giderme yöntemi öneriyoruz. Ayrıca, önerilen yöntemin, iki katmanlı bir gürbüz AÖM'ye eşdeğer olduğunu gösteriyoruz. Literatürdeki mevcut gürbüz AÖM yöntemleri, iyi bilinen L1, L2 düzenleştirme tekniklerinin yanı sıra Huber Kaybı gibi gürbüz kayıp fonksiyonlarının kullanımını içerir. Böylece AÖM'nin kullanımını, Makine Öğrenme algoritmasından bağımsız olarak genel bir veri temizleme yöntemi haline getiriyoruz. Sunduğumuz yöntemler, gözlemlerin yoğun gürültünün etkisinden muzdarip olduğu senaryolarda kullanışlıdır. Gürültü giderme ve düzenleştirilmiş AÖM yöntemleri için yapılan testleri hem sentetik hem de gerçek veriler üzerinde gerçekleştiriyoruz. Metodumuz, senaryoların çoğunda rakiplerinden daha iyi performans gösterir ve gürültünün çoğunu başarıyla ortadan kaldırır.
Özet (Çeviri)
We present two studies in the intersection of deep learning and optimization, Deep Portfolio Optimization, and Subset Based Error Recovery. Along with the emergence of deep models in finance, the portfolio optimization trend had shifted towards data-driven models from the classical model-based approaches. However, the deep portfolio models generally suffer from the non-stationary nature of the data and the results obtained are not always very stable. To address this issue, we propose to use Graph Neural Networks (GNN) which allows us to incorporate graphical knowledge to increase the stability of the models in order to improve the results obtained in comparison to the state-of-the-art recurrent architectures. Furthermore, we analyze the algorithmic risk-return trade-off for the deep portfolio optimization models to give insights on risk for the fully data-driven models. We also propose a data denoising method using Extreme Learning Machine (ELM) structure. Furthermore, we show that the method is equivalent to a robust two-layer ELM that implicitly benefits from the proposed denoising algorithm. Current robust ELM methods in the literature involve well-studied L1, L2 regularization techniques as well as the usage of the robust loss functions such as Huber Loss. We extend the recent analysis on the Robust Regression literature to be effectively used in more general, non-linear settings and to be compatible with any ML algorithm such as Neural Networks (NN). These methods are useful under the scenario where the observations suffer from the effect of heavy noise. Tests for denoising and regularized ELM methods are conducted on both synthetic and real data. Our method performs better than its competitors for most of the scenarios, and successfully eliminates most of the noise.
Benzer Tezler
- Türevlenebilir işleme ile kamera yeniden konumlandırma
Camera relocalization via differentiable rendering
MUHAMMED KERİM SOLMAZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİskenderun Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET SARIGÜL
- Deep learning-based daily solar irradiation prediction for Adana region
Adana bölgesi için derin öğrenme tabanlı günlük güneş ışınımı tahmini
EMAN AHMED ERFAN OTHMAN ABDALLA
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLYAS EKER
DR. ÖĞR. ÜYESİ KASIM ZOR
- Derin sinir ağı yöntemleri ile Wikipedia toksik yorum sınıflandırması
Wikipedia toxic comment classification via deep neural networks
METE ÖZDEMİR
Yüksek Lisans
Türkçe
2021
İstatistikGiresun Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ ZAFER DALAR
- An artificial neural network controller design and optimization of gait functions and adaptation process for a quadruped robot
Dört bacaklı robotlar için yapay sinir ağı tabanlı denetleyici tasarımı ile yürüme fonksiyonlarının ve uyum sürecinin en iyileştirilmesi
ABDULLAH FEHİM KUŞ
Yüksek Lisans
İngilizce
2021
Mekatronik MühendisliğiEge ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DİLŞAD ENGİN
- Machine learning in solar energy utilization
Solar enerji kullanımında makine öğrenmesi
BURCU ORAL
Doktora
İngilizce
2023
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN YILDIRIM