Genetic algorithm and binary masks for co-learning multiple datasets in deep neural networks
Derin sinir ağlarında çoklu veri setlerinin birlikte öğrenilmesi için genetik algoritma ve ikili maskeler
- Tez No: 866494
- Danışmanlar: PROF. DR. MEHMET ÖNDER EFE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
Bu çalışma, veri sınıflandırma ve analizi alanında, özellikle Evrişimli Sinir Ağları (CNN'ler) kullanımında karşılaşılan 'felaket unutma' ve 'çoklu görev öğrenme' zorluklarını ele almaktadır. Çalışmanın amacı, bu sorunları genetik algoritmalar kullanarak çözmektir. Yöntemsel olarak, birden fazla veri seti için CNN modellerini özelleştirmek için katman bazlı ikili maskeler kullanan bir optimizasyon stratejisi geliştirilmiştir. Genetik algoritmalar, her veri seti için ikili bir maske optimize etmek amacıyla sezgisel bir arama yöntemi olarak kullanılmıştır. MNIST, Fashion MNIST ve KMNIST gibi yaygın kullanılan veri setlerinde deneyler yapılmıştır. Elde edilen sonuçlar oldukça etkileyicidir; MNIST için %76.25, Fashion MNIST için %76 ve KMNIST için %74.43 sınıflandırma doğruluğu elde edilmiştir. Bu bulgular, önerilen yaklaşımın sadece tek bir görev için değil, birden çok görev için de yüksek performanslı modeller oluşturabileceğini göstermektedir.
Özet (Çeviri)
This study addresses the challenges of 'catastrophic forgetting' and 'multi-task learning' encountered in the field of data classification and analysis, particularly with the use of Convolutional Neural Networks (CNNs). The aim of the study is to use genetic algorithms to solve these problems. Methodologically, an optimization strategy has been developed that employs layer-based binary masks to customize CNNs models for multiple datasets. Genetic algorithms have been utilized as a heuristic search method to optimize a binary mask for each dataset. Experiments have been conducted on widely-used dataset such as MNIST, Fashion MNIST, and KMNIST. The obtained results are notably impressive, with classification accuracies of 76.25% for MNIST, 76% for Fashion MNIST, and 74.43% for KMNIST. These findings demonstrate that the proposed approach can create high-performance models not only for a single task but also for multiple tasks.
Benzer Tezler
- Yapay sinir ağları ve genetik algoritmaların uçuş kontrol sistemlerine uygulanması
Başlık çevirisi yok
ALİ MOUMİN
- Alternative approaches and noise benefits in hypothesis-testing problems in the presence of partial information
Kısmi bilgi bulunan hipotez sınama problemlerinde alternatif yaklaşımlar ve gürültü kazanımları
SUAT BAYRAM
Doktora
İngilizce
2011
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
YRD. DOÇ. DR. SİNAN GEZİCİ
- Fotovoltaik sistemlerde yeniden düzenleşim için sezgisel yöntemlerin uygulanması
Implementation of heuristic methods for reconfiguration of photovoltaic system
BURÇİN ÖZKAYA
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiSüleyman Demirel ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. OKAN BİNGÖL
- Genetik algoritma ile anten dizisi tasarımı
Design of the antenna arrays via genetic algorithm
CİHAN YILDIZ
Yüksek Lisans
Türkçe
2008
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN GÜNEL
- Neural network topology optimization with genetic algorithms using indirect encoding
Yapay sinir ağları yapılarının genetik algoritmalarla dolaylı kodlanarak eniyilenmesi
ERKAN BULUT
Yüksek Lisans
İngilizce
2001
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. H. LEVENT AKIN