Intergenerational interactive artificial neural networks
Kuşaklararası etkileşimli yapay sinir ağları
- Tez No: 941954
- Danışmanlar: PROF. DR. MUTLU AVCI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Deep learning, Convolutional neural networks, Self-organizing maps, Differential Convolutional neural networks and Image datasets, Derin öğrenme, Konvolüsyonel sinir ağları, Öz-örgütlenen haritalar, Diferansiyel konvolüsyonel sinir ağları, Görüntü veri seti
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 148
Özet
Deep learning has become increasingly prevalent across diverse fields, driven by advanced learning techniques and complex network architectures such as transfer learning and teacher-student models. Transfer learning aims to achieve high performance in a target domain by leveraging knowledge from a related source domain. In contrast, teacher-student models distill knowledge from a large, complex teacher model to a smaller student model, allowing for reduced complexity without significantly compromising accuracy. Convolutional Neural Networks (CNNs), widely used in image recognition, play a key role in such models due to their efficiency and performance. However, due to their complexity, CNNs often demand substantial computational resources and long training times. This study introduces a novel hybrid neural network topology: Intergenerational Interaction Neural Networks (IINNs). The proposed hybridization topology is called Intergenerational Interaction Neural Networks. The hypothesis behind this method is that“the presence of a guiding father model enables the son model to succeed quicker and better than the others”. This philosophy can be extended by incorporating additional ancestors, such as grandfathers and great-grandfathers. Unlike traditional teacher-student models, IINNs employ a pre-trained ancestor model (father) that remains static during training but actively guides the learning of the Son model. Specifically, a Self-Organizing Map (SOM) acts as the pre-trained father, and a Differential Convolutional Neural Network (DiffCNN) functions as the son. The SOM's outputs are integrated into the DiffCNN's training, enhancing convergence speed and accuracy while reducing convolutional complexity. The proposed model was evaluated on six datasets: MNIST, FashionMNIST, Birds, STL10, CIFAR-100, and CIFAR-10. It achieved superior accuracy scores of 98.58%, 96.53%, 87.49%, 86.99%, 86.78%, and 81.65%, respectively, outperforming state-of-the-art CNN, DiffCNN, and Deep Convolutional SOM models. Moreover, the model demonstrated faster convergence up to 84%, reaching 85% accuracy on more complex datasets, such as CIFAR-10, Birds, and CIFAR-100, within the first 7 to 10 epochs. At the same time, it maintained strong performance across simpler datasets like FashionMNIST, where it reached 90% accuracy by the 7th epoch, resulting in a 74% faster convergence. These results underscore the effectiveness and versatility of IINNs in accelerating training, faster convergence, and improving performance across simple and complex datasets, making them suitable for applications in medical imaging, automotive systems, and real-time scenarios like autonomous driving.
Özet (Çeviri)
Derin öğrenme, aktarımlı öğrenme ve öğretmen-öğrenci modelleri gibi gelişmiş öğrenme teknikleri ve karmaşık ağ mimarilerinin etkisiyle çeşitli alanlarda giderek daha yaygın hale gelmiştir. Aktarımlı öğrenme, ilgili bir kaynak alandan elde edilen bilgiyi kullanarak hedef alanda yüksek performans sağlamayı amaçlar. Buna karşılık, öğretmen-öğrenci modelleri, büyük ve karmaşık bir öğretmen modelinden daha küçük bir öğrenci modele bilgi aktarımı yaparak, doğruluktan fazla ödün vermeden modelin karmaşıklığını azaltmayı sağlar. Görüntü tanıma alanında yaygın olarak kullanılan Konvolüsyonel Sinir Ağları (CNN'ler), verimlilikleri ve yüksek performansları nedeniyle bu tür modellerde kilit rol oynar. Ancak, karmaşık yapıları nedeniyle CNN'ler genellikle yüksek hesaplama kaynakları ve uzun eğitim süreleri gerektirir. Bu çalışma, yeni bir hibrit sinir ağı topolojisi olan Kuşaklararası Etkileşimli Sinir Ağları (Intergenerational Interaction Neural Networks IINNs)'nı tanıtmaktadır. Önerilen bu hibrit topoloji, Kuşaklararası Etkileşimli Sinir Ağları (IINNs) olarak adlandırılmaktadır. Bu yöntemin arkasındaki temel hipotez,“yol gösterici bir baba modelin varlığı, oğul modelin diğerlerinden daha hızlı ve başarılı şekilde öğrenmesini sağlar”şeklindedir. Bu felsefe, dede ve büyükbaba gibi ek ataların dahil edilmesiyle genişletilebilir. Geleneksel öğretmen-öğrenci modellerinden farklı olarak, IINNs mimarisi, eğitim sürecinde sabit kalan ancak oğul modelin öğrenmesini aktif şekilde yönlendiren, önceden eğitilmiş bir ata modeli (baba) kullanır. Bu yapıda, Kendini Örgütleyen Harita (Self-Organizing Map - SOM) önceden eğitilmiş baba model olarak görev yaparken, Farklılaştırılmış Konvolüsyonel Sinir Ağı (Differential CNN - DiffCNN) oğul modeli olarak işlev görür. SOM'un çıktıları, DiffCNN'in eğitim sürecine entegre edilerek yakınsama hızını ve doğruluğunu artırmakta, konvolüsyonel karmaşıklığı ise azaltmaktadır. Önerilen model, MNIST, FashionMNIST, Birds, STL10, CIFAR-100 ve CIFAR-10 olmak üzere altı veri kümesi üzerinde değerlendirilmiştir. Sırasıyla %98,58, %96,53, %87,49, %86,99, %86,78 ve %81,65 doğruluk skorları elde ederek; en güncel CNN, DiffCNN ve Derin Konvolüsyonel SOM modellerinden daha iyi performans göstermiştir. Ayrıca model, %84'e kadar daha hızlı yakınsama sergilemiş; CIFAR-10, Birds ve CIFAR-100 gibi daha karmaşık veri kümelerinde ilk 7 ila 10 epoch içinde %85 doğruluğa ulaşmıştır. Aynı zamanda, FashionMNIST gibi daha basit veri kümelerinde 7. epoch itibariyle %90 doğruluğa erişmiş ve %74 oranında daha hızlı yakınsama sağlamıştır. Bu sonuçlar, IINNs mimarisinin eğitim sürecini hızlandırmada, daha hızlı yakınsamayı sağlamada ve basit ya da karmaşık veri kümelerinde performansı artırmada etkili ve çok yönlü olduğunu göstermektedir. Bu yönleriyle, model tıbbi görüntüleme, otomotiv sistemleri ve otonom sürüş gibi gerçek zamanlı uygulamalar için uygun bir çözüm sunmaktadır.
Benzer Tezler
- Moda tasarımında eko-inovasyon ve 3 boyutlu ekolojik giysi koleksiyon önerisi
Eco-innovation in fashion design and proposal for a 3D ecological clothing collection
AYSUN MOLLA KESOĞLU
Sanatta Yeterlik
Türkçe
2025
Giyim EndüstrisiHaliç ÜniversitesiTekstil ve Moda Tasarımı Ana Sanat Dalı
DR. ÖĞR. ÜYESİ EVRİM DEMİR ÖZTÜRK
DOÇ. DR. ZEHRA DOĞAN SÖZÜER
- Dijital diasporada Çerkes kimliği
Circassian identity in the digital diaspora
AFİFE BÜŞRA KENAR
Doktora
Türkçe
2025
Sosyolojiİzmir Katip Çelebi ÜniversitesiSosyoloji Ana Bilim Dalı
PROF. DR. HALİL SAİM PARLADIR
- Generational preferences in media consumption: A comparative study of English language development in terms of vocabulary among EFL teachers
Medya tüketiminde nesil tercihleri: EFL öğretmenlerinin kelime bilgisi açısından İngilizce dil gelişiminin karşılaştırmalı bir çalışması
DOĞUŞ TÜRKAN
Yüksek Lisans
İngilizce
2025
Eğitim ve Öğretimİstanbul Aydın ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
PROF. DR. SAEED MEHRPOUR
- An examınatıon of the relatıonshıp between preschool chıldren's and theır mothers' mental models towards the envıronment
Okul öncesi çocuklar ile annelerinin çevreye yönelik zihinsel modelleri arasındaki ilişkinin incelenmesi
AYTEN KURŞUN
Yüksek Lisans
İngilizce
2025
Eğitim ve ÖğretimOrta Doğu Teknik ÜniversitesiTemel Eğitim Ana Bilim Dalı
PROF. DR. REFİKA OLGAN
- Diasporanın sembolik sermayesi: Atina'da yaşayan İstanbullu Rumların aile fotoğrafları
The symbolic capital of the diaspora: Family photographs of the Rum Istanbulites of Athens
CEREN ACUN
Doktora
Türkçe
2021
AntropolojiGalatasaray ÜniversitesiRadyo Televizyon ve Sinema Ana Bilim Dalı
DR. ÖĞR. ÜYESİ Ö. MURAD ÖZDEMİR