Zamansal bilgi grafikleri için evrimsel ve karşıtsal temsil: Yapay zeka bilincinin inşası
Evolutional and contrastive representation for temporal knowledge graphs: the construction of ai consciousness
- Tez No: 965883
- Danışmanlar: DOÇ. DR. ERİNÇ KARATAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yapay zeka, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Enformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bilginin zaman içerisindeki evrimi, günümüzün veri-yoğun dünyasında giderek daha kritik bir araştırma alanı hâline gelmiştir. Zamansal bilgi grafı (Temporal Knowledge Graph, TKG) çıkarımı ise değişen ilişkileri anlamak ve geleceğe dönük kestirimler yapabilmek adına araştırmacılara güçlü imkânlar sunmaktadır. Bu tezin temel motivasyonu, TKG çıkarımında öne çıkan iki farklı yaklaşımı; evrimsel temelli gösterim öğrenimi (evolutional representation learning) ve tarihsel/karşıtsal öğrenim (historical contrastive learning) bir araya getirerek her iki yöntemin güçlü yanlarını tek bir çatı altında toplamak ve böylece daha anlamlı, genellenebilir ve yüksek performanslı sonuçlar elde edebilecek bir hibrit model ortaya koymaktır. Çalışma kapsamında önce“Evrimsel Temsil Öğrenmesine Dayalı Zamansal Bilgi Grafiği Akıl Yürütme”ve“Tarihsel Karşıtlıklı Öğrenme ile Zamansal Bilgi Grafiği Akıl Yürütme”yaklaşımları özgün biçimde yeniden uygulanmış, daha sonra bu iki modelin mimari prensipleri bütünleştirilerek yeni bir hibrit model tasarlanmıştır. Deneysel sonuçlar, önerilen hibrit modelin hem doğruluk hem de genelleme kapasitesi bakımından diğer iki modele kıyasla kayda değer bir üstünlük sağladığını göstermektedir. Böylece tezin hedefi olan“evrimsel”(değişimi yakalama) ve“tarihsel/karşıtsal”(bağlamsal ayrımı güçlendirme) bakış açılarını birlikte kullanarak zamansal bilgi grafı çıkarımında ileriye dönük bir adım atma amacı başarılı bir şekilde gerçekleştirilmiştir.
Özet (Çeviri)
The evolution of knowledge over time has become an increasingly critical area of research in today's data-intensive world. Temporal Knowledge Graph (TKG) inference offers researchers powerful opportunities to understand changing relationships and make future predictions. The main motivation of this thesis is to bring together two different approaches in TKG inference evolutionary representation learning and historical/contrastive learning to bring together the strengths of both methods under a single roof and thus to present a hybrid model that can achieve more meaningful, generalizable and high-performance results. Within the scope of the study, first,“Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning”and“Temporal Knowledge Graph Reasoning with Historical Contrastive Learning”approaches are re-implemented in an original way, and then a new hybrid model is designed by integrating the architectural principles of these two models. Experimental results show that the proposed hybrid model provides a significant superiority over the other two models in terms of both accuracy and generalization capacity. Thus, the aim of the thesis to take a forward step in temporal knowledge graph extraction by using the“evolutionary”(capturing change) and“historical/contrastive”(strengthening contextual distinction) perspectives together has been successfully achieved.
Benzer Tezler
- Doğrusal programlama yardımı ile işletme biriminde tarımsal mekanizasyon planlaması
Başlık çevirisi yok
HANDAN YAKUT
- Doğrusal programlama modeli ile mekanizasyon planlaması Ege Üniversitesi Ziraat Fakültesi Uygulama Çiftliği için bir durum çalışması
Başlık çevirisi yok
MÜFİT ŞANLI
Yüksek Lisans
Türkçe
1985
ZiraatEge ÜniversitesiTarımsal Mekanizasyon Ana Bilim Dalı
DOÇ. DR. ÜNAL EVCİM