Birleşik öğrenme ile uç cihazlarda model eğitimi
Model training on edge devices with federated learning
- Tez No: 964989
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ BOYACI
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Ticaret Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 147
Özet
Günümüzde birleşik öğrenme (federated learning) sistemlerinin uç cihazlarda uygulanabilirliği, veri gizliliğini koruma avantajına rağmen, çeşitli veri kalitesi problemleri nedeniyle önemli kısıtlarla karşı karşıyadır. Gürültülü etiketler, eksik sınıf temsiliyeti ve istemciler arası heterojen veri dağılımı gibi sorunlar, model başarımını doğrudan etkileyerek federated sistemlerin kararlılığını ve genelleme gücünü sınırlamaktadır. Bu tez çalışmasında, söz konusu veri kalitesi problemlerine çözüm getirmek amacıyla üç aşamalı bir birleşik model eğitimi sistemi önerilmiştir. Birinci aşamada, istemcilerde yer alan verilerin güvenilirliğini ölçmek üzere entropi, margin ve kümeleme temelli skorların bütünleşik biçimde değerlendirildiği güven ağırlıklı veri temizleme mekanizması geliştirilmiştir. Bu sayede, düşük kaliteli örnekler sistematik olarak tespit edilerek model eğitimine dâhil edilmemiştir. İkinci aşamada, istemcilerde eksik olan sınıfların etkisini azaltmak amacıyla koşullu üretken çekişmeli ağlar (cGAN) kullanılarak sentetik örnek üretimi gerçekleştirilmiş ve böylece her istemcide daha dengeli bir sınıf dağılımı sağlanmıştır. Üçüncü aşamada ise, bu iki veri iyileştirme yaklaşımı birleşik öğrenme döngüsüne entegre edilerek, FedAvg ve FedProx algoritmalarıyla optimize edilen ortak bir küresel model eğitilmiştir. Tez kapsamında önerilen sistem, federated learning ortamlarında veri gizliliğini koruyarak model dayanıklılığını artırmakta ve akıllı araçlardan sağlık uygulamalarına kadar geniş bir yelpazede uygulanabilir bir çerçeve sunmaktadır. Veri kalitesinin çeşitli boyutlarda bütünsel olarak ele alınması ve çözüm mekanizmalarının federated mimariye uyarlanabilirliği bakımından bu çalışma, mevcut literatüre anlamlı katkılar sunmaktadır.
Özet (Çeviri)
In today's federated learning (FL) systems, model training on edge devices preserves privacy but faces serious data quality challenges. Noisy labels, missing classes, and heterogeneous data distributions reduce model performance and hinder system stability. This dissertation proposes a three-stage integrated framework to address these issues. First, a confidence-weighted data cleaning mechanism is introduced using entropy, margin, and clustering scores to filter out low-quality samples locally. Second, conditional GANs (cGANs) are used to generate synthetic data for missing classes, balancing local class distributions. Third, the cleaned and completed datasets are used to train a robust global model via FedAvg and FedProx algorithms. The system strengthens model reliability while preserving privacy and is applicable across domains such as smart vehicles and healthcare. By tackling multiple data quality issues within a federated architecture, this study offers a valuable contribution to privacy-aware distributed learning.
Benzer Tezler
- 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
- Haberleşme ağlarında uç makine öğrenmesinin avantajları ve robotik el ağında tutma tahmini uygulaması
Advantages of edge machine learning in communication networks and grasp prediction application in robotic hand network
EMRE BACANLI
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HACI İLHAN
- Manyetik rezonans görüntüleri yardımıyla Multiple Skleroz hastalığının tanısı için derin öğrenme yöntemlerinin analizi
Analysis of deep learning methods using magnetic resonance images for the diagnosis of Multiple Sclerosis disease
FATMA AKSU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET CEVAHİR ÇINAR
- Zamanında performansı artırmak için makine öğrenme yaklaşımı ile blok süre tahmini
Enhancing on-time performance through machine learning approach for predicting block time
SEDA SOYKAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER BADAY
- Öğrenme eğrileri: Teori ve sektörel öğrenme eğrilerinin tahmin edilmesi üzerine ampirik bir çalışma
Learning curves: Theory and an empirical study on estimating sectoral learning curves
ZEYNEP SUNGUR