Adaptive data augmentation through prompt-driven policy optimization with large language models
Dil modelleriyle istem tabanlı politika optimizasyonu kullanarak uyarlanabilir veri artırımı
- Tez No: 977439
- Danışmanlar: PROF. DR. ALPTEKİN TEMİZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Modelleme ve Simülasyon Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Veri artırımı, derin öğrenme süreçlerinin kritik bir bileşenidir ve veri kümesinin çeşitliliğini artırarak modelin genelleme yeteneğini geliştirir. Geleneksel veri artırma stratejileri, elle tasarlanmış dönüşümlere, rastgele örneklemeye veya otomatik arama tabanlı yaklaşımlara dayanır. Otomatik yöntemler performansı artırsa da, genellikle yüksek hesaplama maliyetleri gerektirir ve belirli veri kümeleri için özel olarak tasarlanmışlardır. Bu çalışmada, model performansı geri bildirimiyle veri artırma politikalarını iyileştiren, Büyük Dil Modeli (LLM) destekli bir veri artırma optimizasyon stratejisi öneriyoruz. İki farklı yaklaşım sunuyoruz: (1) LLM Destekli Veri Artırma Politikası Optimizasyonu, burada LLM tarafından seçilen artırma politikaları eğitim döngüleri boyunca yinelemeli olarak güncellenir; ve (2) Uyarlanabilir LLM Destekli Veri Artırma Politikası Optimizasyonu, bu yaklaşımda artırma politikaları, model eğitimi sırasında modelin performans metriklerine göre güncellenir. Bu eğitim içi yöntem, her LLM geri bildirimi için modeli baştan eğitme gerekliliğini ortadan kaldırarak hem hesaplama maliyetlerini azaltır hem de performansı artırır. Yöntemimiz, veri kümesinin özellikleri, model mimarisi ve önceki eğitim performansına dayalı olarak veri artırma dönüşümlerini dinamik bir şekilde seçmek için bir LLM'den yararlanır. Özellikle tıp görüntüleme gibi alan-özel görevlerde, LLM'lerin bağlamsal bilgisinden faydalanarak, veri kümesine ve modele özgü artırma stratejileri öneriyoruz. Alan-özel görüntü sınıflandırma veri kümeleri üzerinde gerçekleştirdiğimiz deneyler, geleneksel yöntemlere kıyasla tutarlı doğruluk artışları göstermektedir.
Özet (Çeviri)
Data augmentation is a critical component of deep learning pipelines, enhancing model generalization by increasing dataset diversity. Traditional augmentation strategies rely on manually designed transformations, stochastic sampling, or automated search-based approaches. Although automated methods improve performance, they often require extensive computational resources and are specifically designed for certain datasets. In this work, we propose a Large Language Model (LLM)-guided augmentation optimization strategy that refines augmentation policies based on model performance feedback. We propose two approaches: (1) LLM-Guided Augmentation Policy Optimization, where augmentation policies selected by LLM are refined iteratively across training cycles, and (2) Adaptive LLM-Guided Augmentation Policy Optimization, which adjusts policies during training based on performance metrics. This in-training approach eliminates the need for full model retraining before getting LLM feedback, reducing computational costs while increasing performance. Our methodology employs an LLM to dynamically select augmentation transformations based on dataset characteristics, model architecture, and prior training performance. Leveraging LLMs' contextual knowledge, especially in domain-specific tasks like medical imaging, our method selects augmentations tailored to dataset characteristics and model performance. Experiments across domain-specific image classification datasets show consistent accuracy improvements over traditional methods.
Benzer Tezler
- Towards augmenting error annotation and post-editing in the genai age: A multimethod translation process research study
Çeviri hata sınıflandırmasını ve makine çevirisi sonrası düzeltmeyi artırmaya doğru: Çok yöntemli bir çeviri süreci araştırması
SERHAT KAHYAOĞLU
Yüksek Lisans
İngilizce
2025
Mütercim-TercümanlıkYıldız Teknik ÜniversitesiBatı Dilleri ve Edebiyatları Ana Bilim Dalı
DOÇ. DR. SENEM ÖNER BULUT
- Adaptive resizer integrated deep reproductive feature generation framework for the analysis of diabetic retinopathy images
Diyabetik retinopati görüntülerinin analizi için uyarlanır yeniden boyutlandırıcı bütünleştirilmiş derin üretken öznitelik üretim çerçevesi
AHMET EMRE HARSA
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DOÇ. DR. ABDURRAHMAN GÜMÜŞ
PROF. DR. BARIŞ ATAKAN
- Transformer tabanlı öznitelik bütünleştirme ile eksik veriye dayanıklı tahminsel model geliştirilmesi
Development of a predictive model robust to missing data via transformer-based feature integration
DUYGU BAYRAK GÜMÜŞ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED KOTAN
- Restoring underwater images from turbidity and motion blur – a three-step framework
Bulanıklık ve hareketten etkilenmiş sualtı görüntülerinin iyileştirilmesi – üç adımlı bir yaklaşım
FATIMA IQBAL
Yüksek Lisans
İngilizce
2026
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
PROF. DR. SERHAT KÜÇÜKALİ
- Yeni bir hata değişik delta ağ maddeli arttırılmış delta ağı (ADA)
Başlık çevirisi yok
M.EBRU KOLUSAYIN
Yüksek Lisans
Türkçe
1998
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET BÜLENT ÖRENCİK