Derin üretken modellerle veri temsilleri ve uygulamaları
Data representation with deep generative models and its applications
- Tez No: 988535
- Danışmanlar: PROF. DR. ÜNVER ÇİFTÇİ
- Tez Türü: Doktora
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tekirdağ Namık Kemal Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, temsil öğrenimini merkeze alarak, düşük boyutlu uzaylarda etkin temsillerin öğrenilmesini ve hacim koruyan dönüşümler ile bu temsillerin geometrik ve dağılımsal özelliklerinin korunmasını ele almaktadır. Bu kapsamda, veri yapısını koruyan sade ve etkili bir mimari olarak Düzgün Otokodlayıcı (UAE) adlı yeni bir üretken model önerilmektedir. Önerilen model; Moon, Spiral, Swiss Roll, Digits, MNIST, CIFAR-10 ve CelebA gibi çeşitli veri kümeleri üzerinde kapsamlı bir şekilde değerlendirilmiştir. UAE'nin performansı, alanın temel yöntemleri arasında yer alan Varyasyonel Otokodlayıcılar (VAE) ve Akış Eşleştirme (FM) modelleri ile sistematik olarak karşılaştırılmıştır. Ayrıca, UAE'nin gizli uzaydaki temsilleri, dağılımların daha uyumlu hâle getirilmesi amacıyla FM yöntemiyle güçlendirilmiş ve böylece modelin veri üretim kalitesi artırılmıştır. Deneysel sonuçlar, UAE modelinin veri yapısını koruyarak gizli uzayda etkili biçimde düzgün dağılıma yakınsadığını göstermektedir. Alt görev kapsamında gerçekleştirilen sınıflandırma denemelerinde, model Digits ve MNIST veri kümelerinde %93 doğruluk elde ederek, düşük boyutlu gizli temsillerinin güçlü ayrıştırıcı kapasitesini ortaya koymuştur. Üretken modellerin temsil kapasitesini genişletmeyi amaçlayan bir diğer araştırma ekseni olarak, gözlenen verinin farklı varyasyonlarını üretebilecek yapıların tasarımında hacim koruyan dönüşümlerin rolü ayrıntılı biçimde ele alınmıştır. Bu kapsamda, Householder tabanlı bir mimari önerilmiş ve ek olarak NICE modeli kullanılarak hacim korumaya yönelik deneysel çalışmalar gerçekleştirilmiştir. Sonuç olarak bu çalışma, temsil öğrenimi, akış tabanlı modelleme ve hacim koruyan dönüşümler ile derin üretken modeller arasında bütünleşik bir çerçeve ortaya koymakta olup derin üretken modellerin hem kuramsal hem de uygulamalı yönlerine anlamlı katkılar sunmaktadır.
Özet (Çeviri)
This thesis focuses on representation learning by addressing the learning of effective representations in low-dimensional spaces and the preservation of their geometric and distributional properties through volume-preserving transformations. In this context, a new generative model, called the Uniform Autoencoder (UAE), is proposed as a simple and effective architecture that preserves the data structure. The proposed model is extensively evaluated on a variety of datasets, including Moon, Spiral, Swiss Roll, Digits, MNIST, CIFAR-10, and CelebA. The performance of UAE is systematically compared with two fundamental classes of generative models: Variational Autoencoders (VAE) and Flow Matching (FM). Furthermore, the latent-space representations of UAE are enhanced using FM to improve distributional alignment in the latent space, thereby increasing the model's data generation quality. Experimental results demonstrate that the UAE model effectively approximates a uniform distribution in the latent space while preserving the structure of the data. In downstream classification tasks, the model achieves 93% accuracy on both the Digits and MNIST datasets, revealing the strong discriminative capacity of its low-dimensional latent representations. As another research direction aimed at expanding the representational capacity of generative models, the role of volume-preserving transformations in the design of structures capable of generating diverse variations of the observed data is examined in detail. In this context, a Householder-based architecture is proposed, and additional experiments are conducted using NICE model to further examine volume-preserving behavior. In conclusion, this study presents an integrated framework that bridges representation learning, flow-based modeling, and volume-preserving transformations with deep generative models, thereby offering meaningful contributions to both the theoretical and practical aspects of deep generative models.
Benzer Tezler
- Photogrammetry based heritage modeling with shape embedding
Tarihi yapıların fotogrametri ve gömülü biçimlerle modellenmesi
DEMİRCAN TAŞ
Yüksek Lisans
İngilizce
2019
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MİNE ÖZKAR KABAKÇIOĞLU
- Kütle tasarımı çalışmaları için yapay zeka tabanlı artırılmış gerçeklik
Ai-based augmented reality for mass design studies
SÜHEYLA MÜGE HALICI
Doktora
Türkçe
2026
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. LEMAN FİGEN GÜL
- Advancing conformal prediction with fuzzy logic and ıts extensions to system ıdentification
Konformal tahminin bulanik mantik ile geliştirilmesi ve sistem tanimlamadaki kullanimi
SALEH MSADDI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Unintended consequences of generative AI in product ideation: A product management perspective
Ürün fikir geliştirme sürecinde üretken yapay zekânın istenmeyen sonuçları: Ürün yönetimi perspektifi
TUĞÇE GÜLTEKİN ATLI
Yüksek Lisans
İngilizce
2025
İşletmeİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TUNÇALP
- Derin öğrenmede üretken çekişmeli ağlar için denetimli öğrenme yaklaşımı
A supervised learning approach for generative adversarial networks in deep learning
ABDURRAHMAN ÖCAL
Doktora
Türkçe
2020
Endüstri ve Endüstri MühendisliğiErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. LALE ÖZBAKIR