Geri Dön

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

  1. Tez No: 866494
  2. Yazar: ÖZNUR TURAN
  3. Danışmanlar: PROF. DR. MEHMET ÖNDER EFE
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    İngilizce

    2011

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    YRD. DOÇ. DR. SİNAN GEZİCİ

  2. Fotovoltaik sistemlerde yeniden düzenleşim için sezgisel yöntemlerin uygulanması

    Implementation of heuristic methods for reconfiguration of photovoltaic system

    BURÇİN ÖZKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik MühendisliğiSüleyman Demirel Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OKAN BİNGÖL

  3. Genetik algoritma ile anten dizisi tasarımı

    Design of the antenna arrays via genetic algorithm

    CİHAN YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TAYFUN GÜNEL

  4. Neural network topology optimization with genetic algorithms using indirect encoding

    Yapay sinir ağları yapılarının genetik algoritmalarla dolaylı kodlanarak eniyilenmesi

    ERKAN BULUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2001

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. H. LEVENT AKIN