Derin öğrenme modellerinin belirsizlik ölçümü
Uncertainty quantification in deep learning models
- Tez No: 850321
- Danışmanlar: PROF. DR. ALİ GÜNEŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin Öğrenme Modelleri, Belirsizlik Ölçümü, Anormal Tespiti, Makine Öğrenimi, Derin Asamble, Deep Learning Models, Uncertainty Measurement, Anomaly Detection, Machine Learning, Deep Assemble
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 96
Özet
Derin öğrenme modelleri, görüntü sınıflandırma, belirsizlikle başa çıkma yeteneklerini artırmaya, doğal dil işleme ve makine çevirisi gibi birçok alanda uzman insanları aşan performanslar sergilemektedir. Ancak, bu modeller belirsizlik durumlarını ele alırken zorluk yaşamaktadır, bu da yanlış kararlar ve güvenilirlik kaybına neden olabilir. Derin öğrenme modellerinin belirsizliğini ölçmek için kullanılan çeşitli yöntemler incelenmektedir. Bu yöntemler, model çıktılarının analizi, eğitim süreçlerinin incelenmesi ve yeni verilerle test edilmesi gibi farklı yaklaşımları içermektedir. Bu yöntemlerin avantajları ve dezavantajları tartışılarak, derin öğrenme modellerinin güvenilirliğini artırmak için nasıl kullanılabileceği araştırılmaktadır. Ayrıca, bu çalışmada bir örnek sunulmuş ve Yönlü Merkezi Simetrik İkili Desen (DCSBP) temelli bir derin öğrenme çerçevesinin kullanıldığı bir uygulama özetlenmiştir. Bu çerçeve, X-ışını görüntülerinde COVID-19, zatürre ve verem gibi anormallikleri tespit etmek için kullanılmıştır. Önerilen DL yaklaşımı, zatürre ve CH veri tabanında sırasıyla %98'den fazla ve %87'den fazla doğruluk elde etti. Bu sonuçlar, mevcut en iyi yöntemlerle karşılaştırıldığında önemli ölçüde daha iyidir. Ayrıca, önerilen sistem, gürültülü ve bilinmeyen veri kümeleri de dahil olmak üzere belirsiz senaryolarda test edilmiş ve uyumlu sonuçlar elde edilmiştir. Önerilen yöntem, yüksek doğruluk oranları elde etmiş ve mevcut yöntemlere göre daha iyi sonuçlar vermiştir. Ayrıca, çerçeve belirsiz senaryolarda da test edilmiş ve uyumlu sonuçlar elde edilmiştir.
Özet (Çeviri)
Deep learning models have demonstrated superior performance in various fields such as image classification, addressing uncertainty, natural language processing, and machine translation, often surpassing human experts. However, these models often struggle when dealing with uncertainty, leading to incorrect decisions and a decrease in reliability.Various methods for measuring the uncertainty of deep learning models are examined in this study. These methods encompass different approaches, including the analysis of model outputs, the examination of training processes, and testing with new data. The advantages and disadvantages of these methods are discussed, aiming to explore how they can be utilized to enhance the reliability of deep learning models. Furthermore, this study presents an example where a Deep Learning framework based on Directional Central Symmetric Binary Pattern (DCSBP) is used. This framework is applied to detect anomalies such as COVID-19, pneumonia, and tuberculosis in X-ray images. The proposed DL approach achieved an accuracy of over 98% for pneumonia and more than 87% for the CH database. These results are significantly better than the current state-of-the-art methods. Moreover, the proposed system was tested in uncertain scenarios, including noisy and unknown datasets, and yielded consistent results. In summary, this thesis focuses on improving the ability of deep learning models to handle uncertainty in various applications. It explores different methods for measuring uncertainty and discusses their advantages and disadvantages. Additionally, it presents a practical example of using a DCSBP-based deep learning framework for detecting anomalies in X-ray images, achieving high accuracy and reliability even in uncertain scenarios.
Benzer Tezler
- Makine öğrenimine dayalı akciğer kanserinin erken tanısında belirsizlik ölçeğinin tespiti
Detection of the uncertainty scale in the early diagnosis of lung cancer based on machine learning
SEMA ÜZÜLMEZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZAFER ASLAN
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Enhancing the stability and quality assessment of visual explanations for thorax disease classification using deep learning
Derin öğrenme kullanarak göğüs hastalıkları sınıflandırması için görsel açıklamaların kararlılık ve kalite değerlendirmesini geliştirme
SHAKIBA RAHIMIAGHDAM
Doktora
İngilizce
2023
Bilim ve TeknolojiOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HANDE ALEMDAR
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN