Geri Dön

A new and efficient method for synthetic data generation with generative adversarial networks

Çekişmeli üretici ağ kullanilarak sentetik data üretmede yeni ve verimli bir metod

PDF İndir

  1. Tez No: 792249
  2. Yazar: OKAN DÜZYEL
  3. Danışmanlar: PROF. DR. MEHMET KUNTALP
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 67

Özet

Yapay zekâ modelleri, özellikle derin sinir ağları, eğitim esnasında yeterli sayıda veriye ihtiyaç duyarlar. Verilerin yetersiz olduğu durumlarda modelin eğitimi başarısız olur. Ayrıca sınıflar arası veri dengesizliği de sınıflandırıcı sistemin eğitiminde başarısızlığa yol açan önemli bir problemdir. Böyle durumlarda bu sınıflar için veri kümesindeki verileri arttırmamız gerekmektedir. Klasik veri arttırma yöntemleri elimizdeki verileri değiştirerek yapılır. Mevcut verilerin benzerleri oluşturulur, yeni veriler üretilmez. Veri kümesinin çok kısıtlı olduğu alanlarda bu çözüm işe yaramaz. Böyle durumlarda elimizdeki sınırlı verilerden yeni veriler üretmemiz gerekir. Çekişmeli Üretici Ağ (ÇÜA) kullanılarak sentetik yeni veriler üretmek mümkündür ve böylece oluşturulan derin öğrenme modelinin çalışması için yeterli eğitim verisi sağlanabilir. Bu tezde, MIT-BIH Arrhythmia veri tabanı üzerinde yeni bir ÇÜA yaklaşımı kullanılarak sentetik ECG verileri üretilmiştir. Özellikle az kayıt içeren veri sınıfları için sentetik veri üretilmesi amaçlanmıştır. Önerilen bu yeni yaklaşımda belli bir sınıfa ait verilerin öbek dağılımları baz alınmıştır. Çalışma sonucunda elde edilen sentetik veriler ile eksik veri kümeleri arttırılmıştır. Geliştirilen sistemlerin başarımları her birinde farklı bir eğitim verisinin kullanıldığı farklı deneylerle incelenmiştir. Önerilen yeni yaklaşımla veri artırımı sonrası elde edilen derin öğrenme başarısının klasik GAN tabanlı yönteme göre arttığı gözlemlenmiştir.

Özet (Çeviri)

Machine learning models, especially deep neural networks, need sufficient data for successful training. In case of insufficient data, the training of the model fails. Moreover, imbalanced datasets are also an important problem that reduces the performance of the classification system. In such cases, we need to increase the data in the dataset of the classes which have few data. Classical data augmentation methods do this by changing the data that we have. Existing data is duplicated by some techniques such as rotating, scaling, etc. However, no new data is synthesized by this approach. In areas where the dataset is very constrained, this solution would not work. We need to generate new data based on limited data in such cases. It is possible to generate synthetic new data using the Generative Adversarial Networks (GAN). Thus, sufficient training data can be provided for the deep learning model developed. In this thesis, new synthetic ECG data were produced for MIT-BIH Arrhythmia Database using a new GAN-based method. The proposed method considers the cluster structure of individual classes. As a result of the study, the dataset was increased with new synthetic data. The performance of the developed systems was examined with different experiments which were conducted by using different training sets but the same test data. It has been observed that the success of the deep learning system has increased using the proposed GAN-based synthetic data augmentation method when compared with classical GAN-based method.

Benzer Tezler

  1. Tez No

    897337

    Sıra bağımlı hazırlık süresi ve makine kısıtları ile ilişkisiz paralel makine çizelgeleme problemine değişken komşuluk araması yaklaşımı

    Variable neighborhood search approach on the unrelated parallel machine scheduling problem with sequence-dependent setup times and machine constraints

    EMİNE DUYSAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiGebze Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMED BURAK PAÇ

  2. Tez No

    397829

    Integrated membrane filtration enhanced with chemical conditioning and biological treatability of olive mill wastewater

    Zeytin karasuyunun kimyasal şartlandırma destekli entegre membran filtrasyonu sonrasında biyolojik arıtılabilirliğinin araştırılması

    SUDE SALİMİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. SEVAL SÖZEN

  3. Tez No

    849478

    Innovative membrane with recovered carbon black (rCB)

    Geri kazanılmış siyah karbon ile inovatif membran

    TUĞÇE AKCA GÜLER

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL KOYUNCU

  4. Tez No

    400916

    Scaling-up eutectic freeze crystallization

    Ötektik donma kristalizasyonunda boyut büyütme

    FATMA ELİF GENCELİ

    Doktora

    İngilizce

    İngilizce

    2008

    Kimya MühendisliğiTechnische Universiteit Delft (Delft University of Technology)

    PROF. DR. GEERT JAN WITKAMP

  5. Tez No

    656897

    Yapay zeka ve mimarlık etkileşimi üzerine bir çalışma:Üretken çekişmeli ağ algoritması ile otonom mimari plan üretimi ve değerlendirmesi

    A study on interaction of artificial intelligence and architecture: Production and evaluation of architectural plans with generative adversarial networks

    CAN UZUN

    Doktora

    Türkçe

    Türkçe

    2020

    Mimarlıkİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. MERYEM BİRGÜL ÇOLAKOĞLU

Geri Dön