A human-like approach to multi-task learning
Çoklu görev öğrenimine insana benzer bir yaklaşım
- Tez No: 982190
- Danışmanlar: PROF. DR. ERHAN ÖZTOP
- 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: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, geleneksel ve katı eğitim planlarına karşı, insan esinli yeni bir çoklu-görev öğrenme çerçevesi önermektedir. Tasarladığımız sistemde, öğrenen bir ajan hangi göreve odaklanacağına, yüksek seviyeli bir denetim mekanizması olan Görev Denetleyici aracılığıyla, içsel ve göreve özgü olmayan sinyallere dayanarak öz-yönelimli biçimde karar verir. Öncelikle, Öğrenme İlerlemesini (Öİ) yönlendirici sinyal olarak kullanan, çoklu görevleri aralıklı öğrenme için modüler bir sinir mimarisi olan LP-Con'u geliştiriyoruz. Bu model, esnek ve çoktan-çoğa bilgi aktarımını sağlayan görev-özel ağ blokları sayesinde, insan benzeri aralıklı bir öğrenme süreci sunar. Ardından, IMTL-EMLP ile Görev Denetleyici'ye Enerji Tüketimi (ET) bilgisini entegre ederek öğrenme performansından ödün vermeksizin enerji verimliliğini artırıyoruz. Her iki model de, bir ajanın çeşitli nesne etkileşim senaryolarında eylemlerinin sonuçlarını öngörmeyi öğrendiği, simüle edilmiş bir robotik ortamda değerlendirilmiştir. Önerdiğimiz modellerin etkinliğini doğrulamak için; toplam görev başarımı analizi, göreve-özgü öğrenme performansları, Görev Denetleyici'nin görev seçme örüntüleri, aralıklı ve bloklu öğrenme karşılaştırması ile nesne-bazlı çapraz görev beceri transferi gibi kapsamlı deneyler yürütülmüştür. Karşılaştırılan modeller arasında tekli-görev öğrenme, rastgele görev sıralamalı çoklu-görev öğrenme ve bloklu çoklu-görev öğrenme yer alır. Deneysel sonuçlar, bilişsel ilhamlı yöntemlerimizin öğrenmeyi önemli ölçüde hızlandırdığını, genelleme kabiliyetini artırdığını, unutmaya karşı dayanıklılık gösterdiğini ve hesaplama verimliliğini yükselttiğini ortaya koymaktadır. Öğrenme stratejilerini insan gelişiminin öz-düzenlemeli ve dinamik doğasıyla hizalayarak, bu çalışma daha uyarlanabilir, verimli ve ölçeklenebilir yaşam boyu öğrenme sistemlerinin oluşturulmasına katkıda bulunmaktadır.
Özet (Çeviri)
This thesis proposes a novel human inspired framework for multi-task learning that challenges traditional, rigid training schedules. We design a system in which a learning agent autonomously selects which task to engage in based on internal, task-agnostic signals, by a high-level control mechanism, the Task Controller, which facilitates self-directed learning. We first develop LP-Con, a modular neural architecture for interleaved multi-task learning, where Learning Progress (LP) serves as the guiding signal. The model employs task-specific network blocks to enable flexible, many-to-many knowledge transfer and a human-like interleaved learning process. We then extend this with IMTL-EMLP, which integrates Energy Consumption (EC) into the Task Controller to enhance energy efficiency without sacrificing learning performance. Both models are evaluated in a simulated robotic environment where an agent learns to predict the consequences of its actions across various object interaction scenarios. To validate the effectiveness of our proposed model, we conduct several experiments which include overall task performance analysis, task-wise learning performances, task selection patterns by Task Controller, interleaving vs. blocked learning, and finally object-wise cross task skill transfer. The baselines include single-task learning, multi-task learning with random task scheduling, and blocked multi-task learning. Experimental results show that our cognitively inspired methods significantly accelerate learning, improve generalization, show robustness to forgetting and increase computational efficiency. By aligning learning strategies with the self-regulated, dynamic nature of human development, this work contributes to the creation of more adaptive, efficient, and scalable lifelong learning systems.
Benzer Tezler
- 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
- Mimari tasarımda yapay zekâ yaklaşımı: Makine öğrenmesi ile mekân işlevlerinin tanınması ve üretken çekişmeli ağlarla mimari plan üretimi
Artificial intelligence approach in architectural design: Recognition of space functions with machine learning and architectural plan generation with generative adversarial networks
BERFİN YILDIZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. GÜLEN ÇAĞDAŞ
DR. ÖĞR. ÜYESİ İBRAHİM ZİNCİR
- Applications of deep reinforcement learning for advanced driving assistance systems
İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları
MUHARREM UĞUR YAVAŞ
Doktora
İngilizce
2023
Otomotiv Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Kanal tabanlı özellik temsili ve derin öğrenmeye dayalı uykululuk sınıflandırması
Drowsiness classification based on channel-based feature representation and deep learning
MUSTAFA RIFAT ÇELİK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Comicverse: Expanding the frontiers of ai in comic books with holistic understanding
Comicverse: Bütünsel anlayışla çizgi romanlarda yapay zekanın sınırlarını genişletmek
GÜRKAN SOYKAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ YURET
PROF. DR. TEVFİK METİN SEZGİN