Split-fed learning approach for house price prediction with heterogeneous features
Heterojen özellikler ile ev fiyatları tahmininde bölünmüş-federe öğrenme yaklaşımı
- Tez No: 987415
- Danışmanlar: PROF. DR. ALTAN KOÇYİĞİT
- 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: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Federe Öğrenme, birden fazla istemcide mevcut ham verileri ifşa etmeden ortak bir küresel modelin işbirlikçi eğitimi için ortaya çıkan bir yaklaşımdır. Önceki çalışmalar, federe öğrenmedeki iki farklı heterojenlik türüne, yani cihaz heterojenliğine ve model heterojenliğine odaklanmıştır. Özellik heterojenliği gerçek dünya uygulamalarında önemli bir zorluk teşkil etse de, bu sorunu ele alan sınırlı sayıda çalışma bulunmaktadır. Bu tezde, bu zorluğu konut fiyatı tahmin görevi bağlamında ele alıyoruz. Birincil hedefimiz, istemcilerin sahip oldukları tüm özellikleri kullanarak küresel bir modeli topluca eğitmelerini sağlamaktır. Bunu başarmak için, istemcilerin modelin yerel kısmını ve verilerini gizli tutarken, modelin üst kısmını topluca eğittikleri bir Bölünmüş-Federe yöntemi kullandık. Değerlendirmeler için beş şehir veri kümesi kullanıldı. Deney sonuçları, Bölünmüş-Federe yöntemimizin, aynı şehir için mevcut tüm özellikler kullanılarak eğitilen bireysel şehir modellerinden, yalnızca tüm şehirlerdeki ortak özellikler kullanılarak eğitilen bireysel şehir modellerinden, ortak özelliklere sahip birleştirilmiş veri kümesi kullanılarak eğitilen küresel bir modelden ve yalnızca ortak özellikler kullanılarak klasik federe öğrenme yaklaşımı kullanılarak eğitilen küresel bir modelden daha iyi performans gösterdiğini göstermiştir. Sonuç olarak, önerilen yaklaşımın federe öğrenmedeki özellik çeşitliliği sorununu ele almada oldukça umut verici olduğunu gösterdik.
Özet (Çeviri)
Federated Learning is an emerging approach for collaborative training of a common global model without disclosing raw data available in multiple clients. Previous studies mainly focus on two distinct types of heterogeneity in federated learning, namely device heterogeneity and model heterogeneity. While feature space heterogeneity presents a significant challenge in real-world applications, there are a limited number of works that address this issue. In this thesis, we address this challenge in the context of the house price prediction task. Our primary objective is to enable clients to collectively train a global model by utilizing all the features they have. To achieve this, we employed a Split-Fed method, where clients retain the local portion of the model and their data in a private manner while training the upper portion of the model collectively. Five city datasets have been used for evaluations. The experiment results have shown that our Split-Fed method outperforms individual city models trained by all available features for the same city, individual city models trained solely using the common features across all cities, a global model trained using the merged dataset with the common features, and a global model trained using the classical federated learning approach with only the common features. Consequently, we have shown that the proposed approach is very promising in addressing the challenge of feature heterogeneity in federated learning.
Benzer Tezler
- CMMcihazındaki verilerden makine öğrenmesi ile parça kontrolü
Part control with machine learning from data on CMM device
ZEYNEP BİRGİN
Yüksek Lisans
Türkçe
2024
Metalurji MühendisliğiSakarya ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURAY CANİKOĞLU
- Scoring of CERbB2 tumors in breast cancer by pathological image analysis
Patolojik görüntü analizi ile meme kanserinde CERbB2 tümörlerinin skor değerlerinin belirlenmesi
GÖZDE AYŞE TATAROĞLU
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Basamak patlatmasında tasarım parametrelerinin patlatma verimliliği ve çevresel etki açısından değerlendirilmesi
Evaluation of design parameters in bench blasting in terms of blast efficiency and environmental effect
ÖZGE AKYILDIZ
Doktora
Türkçe
2022
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
DOÇ. DR. TÜRKER HÜDAVERDİ
- Search for the ttHH(bbbb) nonresonant production in the leptonic final states using machine learning techniques at the CMS experiment
CMS deneyinde makine öğrenimi teknikleri kullanılarak leptonik son durumlarda rezonant olmayan ttHH(bbbb) üretiminin araştırılması
GAMZE SÖKMEN ŞAHİN
Doktora
İngilizce
2024
Fizik ve Fizik MühendisliğiOrta Doğu Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. MEHMET TEVFİK ZEYREK
- Termal görüntülerde derin öğrenme yaklaşımları ile elektrik arızalarının sınıflandırılması
Classification of electrical faults in thermal images via deep learning approaches
GÖNÜL SAKALLI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN KOYUNCU