Yazar
Saleki, Meryem
Basım Tarihi
2020-01-17
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
0464eabd-73e0-4f98-a64d-ba10dff3b7f2
Lokasyon
Bilgisayar Bilimleri Bölümü
Tarih
2020-01-17
Örnek Metin
Bazı uygulamalarda akıllı etmenler kararlarını vermek için sınıflandırıcılara güvenirler ve tahminlerinin doğruluğu, görevlerini başarıyla yerine getirmede önemli bir rol oynayabilir. Derin sinir ağları birçok sınıflandırma görevinde çok iyi performans gösterse de bazen tahminlerinde başarısız olabiliyorlar ve tüm yanlış sınıflandırma hatalarının maliyeti genellikle aynı kabul ediliyor ki bu da pratikte doğru değil. Örneğin, belirli bir görüntüdeki bir yayayı bisikletçi olarak sınıflandırmak, onu sürücüsüz araç uygulaması için araba olarak sınıflandırmaktan önemli ölçüde farklı maliyete sahip olabilir. Hataların maliyeti asimetrik olabilir, temsilciden temsilciye değişiklik gösterebilir ve bağlama bağlı olabilir. Buna göre, bu tez, derin sinir ağlarında sınıflandırmaya yönelik belirsizlik ölçümü ve risk farkındalığı için yeni bir yaklaşım önermektedir. Ana sezgimiz, öngörücü belirsizliğin ilkeli bir şekilde ölçülebileceğidir; dolayısıyla sınıflandırıcılar, tahminlerin yanlış olma ihtimalinin yüksek olduğu durumlarda yüksek belirsizliği tahminleriyle ilişkilendirebilirler. Ayrıca, eğitim sırasında yanlış sınıflandırma riski kavramını da dahil ederler, bu da onların daha yüksek kayıplara yol açacak yanlış tahminler yapmaktan kaçınmasına olanak tanır. Bunu başarmak için önerilen risk kalibreli sınıflandırıcılar, Dirichlet dağılımının ortalamasına ve varyansına dayalı olarak tahminlerdeki belirsizliği ölçer ve yanlış olma olasılığı daha yüksek olan tahminlerin belirsizlik değerini artırır. Ayrıca model, daha riskli olan sınıflandırmalara ilişkin belirsizliği artırmaktadır. Yaklaşımımızın performansını doğrulamak için çeşitli iyi bilinen veri setleri üzerinde deneyler yaptık. Sonuçlar, önerilen risk kalibreli sınıflandırıcıların yüksek belirsizliği yanlış sınıflandırmalarıyla ilişkilendirdiğini göstermektedir. Ayrıca, kayıp fonksiyonumuzun risk minimizasyon hedefi, sinir ağlarının sınıflandırma için daha az riskli kararlar almasına olanak tanır. Derin sinir ağları birçok görevde çok iyi performans gösterse de, bazen tahminlerinde ba¸sarısız olabilirler. Gösterimlerin tüm yanlışlarının hatalarının maliyeti aynı kabul edilir; ama bu pratikte doğru bir şeydir. Örne˘gin, kendi kendini süren bir araba uygulaması için, görüntüdeki yayayı bisikletli olarak tahmin edilmesi ile araba olarak tahmin edilmesinin maliyetinin önemli ölçüde farklı olabilir. Hataların maliyeti asimetrik olabilir, olmasından dolayı de˘gisebilir ve içerige baglıdır. Bu tez, derin sinir ağlarında büyüme için performans belirtileri ve risk farkındalığı için yeni bir yaklaşım önermektedir. Ana sezgimiz, öngörücü belirsizliğin ilkesi bir şekilde ölçülebilmesidir; bu nedenle, bu tahminlerin yanlısı olma ihtimali daha yüksek olduğugunda sınıflandırıcılar yüksek belirsizliği tahminleriyle ili¸skilendirebilirler. Ayrıca, eğitim sırasında yanlı¸s işaretin riskli göz önünde bulundurulması; bu da daha yüksek kayıplara yol açan yanlıların tahminleri kaçınmalarını engellemelerini sağlar. Bunu başlatmak için, önerilen risk koşullarılı sınıflandırıcılar, Dirichlet da˘gılımının soğutulmasına ve varyansına ba˘glı olarak tahminlerdeki belirsizliği kullanabileceğinize ve yanlı¸s olma olasılı˘gı daha yüksek olan tahminler için performansı de˘gerini arttırmaktadır. Ayrıca modelin daha iyi olanların olması için belirsizliği arttırmaktadır. Yaklaşımımızın bütünlüğünü sağlamak için, iyi bilinen çeşitli veri kitapları üzerinde deneyler yaptık. Sonuçlar, önerilen risk-kalibre edilmi¸s sınıflandırıcıların, yüksek belirsizliği yanlı¸s görünümleriyle ili¸skilendirdiklerini göstermektedir. Ayrıca, kayıp fonksiyonumuzun risk minimizasyon hedefi, sinir ağlarının hareketleri için daha az kesintilerin verilmesini sağlar.
