Convolutional ensemble learning for edge intelligence
Kenar zeka için evrişimsel topluluk öğrenmesi
- Tez No: 806195
- Danışmanlar: PROF. DR. ARDA YURDAKUL, DR. ÖĞR. ÜYESİ İNCİ MELİHA BAYTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Derin Kenar Zeka, derin öğrenme algoritmalarının kenar bilişimde kullanımını amaçlar. Derin ağ eğitimi, güçlü hesaplama kaynakları gerektirirken kenar cihazlar genelde bu kapasitede değildir. Federe öğrenme gibi dağıtık öğrenme yöntemleri, kenar cihazlardan sınırlı bilgiyi alarak işbirliği ile tahmin başarımını arttırmayı hedefler. Genellikle ağ iletişim seferlerinin fazlalığından dolayı iletişim zamanı artmaktadır. Aynı zamanda iletişimde olası hataların artmasına da yol açmaktadır. Bir diğer dezavantaj ise tüm uç cihazlarda genelde aynı model mimarisinin kullanılmasından kenarda belli bir hesaplama kapasitesinin üstündeki cihazların kullanımına izin verilmesidir. Bu tezde, aynı boyutlu seçilmiş bir tam bağlı katman hariç tamamen farklı model mimarilerini destekleyen ve evrişimsel özelliğe sahip melez bir topluluk öğrenmesi çerçevesi önerilmektedir. Öncelikle, sığ sinir ağları kenar cihazlarda belli bir performansa kadar eğitilir. Kenar cihazlardaki her ağda, belli boyutta bir tam bağlı katman bulunması esastır. Bu katmana ait özellikler, modellerin eğitiminden sonra sunucudaki topluluk modeline giriş olarak aktarılır. Önerilen evrişimsel topluluk modeli sistemin kestirim başarımını arttırmak için eğitilir. Bu yöntem, sistemin öğrenmesinin sadece cihazdan sunucuya tek-yönlü iletişim ile yapılmasını sağlamaktadır. Gerekli öznitelik temsillerinin kenar cihazlardan sunucuya iletilememesi halinde, sunucudaki varyasyonel otomatik kodlayıcılar istatistiksel bir şekilde uygun vektörleri topluluk modeline sunmaktadır. Kapsamlı deneyler, önerilen yöntemin kestirim başarımının güncel yöntemlerden üstünlüğünü göstermektedir. Ayrıca, bazı öğrenme senaryolarında daha az iletişim ve veri aktarımı sağlanmaktadır.
Özet (Çeviri)
Deep Edge Intelligence targets the deployment of deep learning algorithms in the edge network. While training deep networks requires computational resources, edge devices frequently lack high computational power. Decentralized learning methods such as federated learning provide a solution for gathering limited information from edge devices and collectively improving prediction performance. However, a drawback of such methods is that they often require multiple rounds of network communication, which increases communication time and the risk of communication errors. Another drawback is that the same model architecture is often used on all edge devices, which makes it mandatory to work with devices above a level of computational capacity. This thesis proposes a hybrid learning approach that employs ensemble learning with a convolutional scheme for different edge model architectures, except for a selected fully connected layer of the same dimensionality. Initially, shallow neural networks are trained on edge devices until a certain level of performance is achieved. Next, the feature representations obtained by the shallow models are transferred to an ensemble model. Subsequently, the proposed convolutional ensemble model is trained to boost the prediction performance. This method facilitates the completion of the system training with a one-way data transfer between edge devices and the server. Variational auto-encoders are also utilized to generate feature vectors in case transferring the required representations from the edge devices fails. Extensive experiments demonstrate that the suggested method outperforms state-of-the-art techniques in terms of accuracy while requiring fewer communications and a lower amount of data in various training scenarios.
Benzer Tezler
- Dıyabetik retinopatinin şiddet seviyesinin tespitiiçin mobil kenar hesaplama ve derin öğrenmetopluluklarına dayanan bir yöntem
A novel framework for severity level detection of diabetic retinopathy based on mobile edge computing and deep learning ensembles
AHMED AL-KARAWI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERCAN AVŞAR
- Machine learning based autonomous quality check and characteristics extraction for chip research
Çip araştırmaları için makine öğrenmesi temelli otonom kalite kontrolü ve karakteristik parametre çıkarımı
HÜSNÜ MURAT KOÇAK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ
- Tekstil kusur tespiti için derin öğrenme uygulaması
Deep learning application for textile defect detection
OKAN GÜDER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞAHİN IŞIK
- Comparative analysis of transfer learning models for skin cancer detection and prediction of potential skin diseases
Cilt kanseri tespiti ve potansiyel cilt hastalıklarının tahminine yönelik transfer öğrenme modellerinin karşılaştırmalı analizi
HASAN AL SHATER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYapay Zeka ve Veri Bilimi Ana Bilim Dalı
Prof. Dr. ALİ OKATAN
- Cilt kanseri sınıflandırması için hibrit derin öğrenme modellerinin geliştirilmesi
Development of hybrid deep learning models for skin cancer classification
İBRAHİM ARUK
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET NUSRET TOPRAK