Utilizing nonnegative tensor factorization methods for inference, model selection, and analysis in supervised learning
Negatif olmayan tensör ayrıştırma yöntemlerinin gözetimli öğrenmede çıkarım, model seçimi ve analiz için kullanılması
- Tez No: 832383
- Danışmanlar: DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN, PROF. DR. ALİ TAYLAN CEMGİL
- Tez Türü: Doktora
- 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: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 189
Özet
Bu tez, negatif olmayan tensör ayrıştırma (NOTA) yöntemlerinin gözetimli öğrenmenin değişik alanlarında kullanılmasına odaklanmaktadır. Teze, birçok modelleme varsayımını, çıkarımda algoritmik verimlilikle birleştirerek hayata geçirebilen olasılıksal bir NOTA çerçevesini tanıtarak başlamaktayız. Ardından bu çerçevenin sağladığı esneklik, farklı gözetimli öğrenme problemlerinde çıkarım, model seçimi ve analiz için kullanılmaktadır. Bu uygulamaların ilkinde bu yaklaşımdan çok seviyeli, karmaşık mevsimsellik gösteren zaman serilerini yorumlanabilir ve doğru bir şekilde modellemek için faydalanılmaktadır. Ardından, bir sınıflandırma probleminde, bir yapay öğrenme modelinin çıktısına bağlı olarak son kararın ne zaman bir uzmana bırakılması gerektiğinin belirlenmesi için yeni bir yöntem önerilmekte ve NOTA modellerinin bu yöntemi daha karmaşık senaryolara genellemekte kullanılabileceği gösterilmektedir. Sonrasında, derin öğrenme yöntemlerinin parametrelerinin ne zaman ve neden sıkıştırılabilir olduğu incelenmekte ve yukarıda bahsedilen NOTA çerçevesinden bu eğilimlerin gösterim uzayındaki karışılıklarının incelenmesinde yararlanılmaktadır. Tezdeki çalışmalar, gözetimli öğrenmenin değişik alanlarına bağımsız katkılar yapmanın yanı sıra, esnek bir modelleme yaklaşımıyla birleştirildiğinde, NOTA yöntemlerinin birçok gözetimli öğrenme problemini kolaylaştıracak şekilde kullanılabileceğini göstermektedir.
Özet (Çeviri)
This thesis focuses on utilizing nonnegative tensor factorization (NTF) methods in various areas of supervised learning. We start with the introduction of a probabilistic NTF framework that can accommodate a wide range of modeling assumptions while maintaining algorithmic efficiency during inference. The flexibility provided by this framework is then utilized for inference, model selection, and analysis in various supervised learning problems. In the first of these scenarios, we use this approach to effectively model time series with nested, complex seasonalities, ensuring accuracy and interpretability. We then propose a novel method for learning to defer to an expert based on the output of a machine learning model in classification problems, and show that NTF can be utilized to extend this method to arbitrarily complex settings. Afterwards, we investigate when and why deep neural networks' parameters become compressible, and use the aforementioned NTF framework to help analyze how these dynamics are reflected in the representation space. In addition to making independent contributions to various areas of supervised learning, our work shows that, coupled with a convenient modeling approach, NTF can be beneficial for a wide range of supervised learning problems.
Benzer Tezler
- Generalized tensor factorization
Genelleştirilmiş tensor ayrışımı
YUSUF KENAN YILMAZ
Doktora
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ TAYLAN CEMGİL
- Stabilization of multivariable systems with constrained control structure
Başlık çevirisi yok
KONUR ALP ÜNYELİOĞLU
Yüksek Lisans
İngilizce
1988
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiPROF. DR. M. EROL SEZER
- A study on certain theoretical and practical problems in wireless networks
Kablosuz ağlarda belirli kuramsal ve pratik problemler üzerine bir çalışma
MEHMET AKİF ANTEPLİ
Yüksek Lisans
İngilizce
2010
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
DOÇ. DR. ELİF UYSAL BIYIKOĞLU
- Kalitatif çapraz etki analizinde etkileşimi ve belirsizliği dikkate alan yeni bir yaklaşım
A new approach to qualitative cross impact analysis considering the interaction effects and uncertainty
ÇİĞDEM KADAİFÇİ
Doktora
Türkçe
2017
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. UMUT ASAN
- Automatic analysis of head and facial gestures in video streams
Video görüntülerinden kafa ve yüz mimiklerinin otomatik analizi
HATİCE ÇINAR AKAKIN
Doktora
İngilizce
2010
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. BÜLENT SANKUR