طبقهبندیکنندههای شواهد کالیبرهشده با ریسک
| عنوان | طبقهبندیکنندههای شواهد کالیبرهشده با ریسک |
|---|---|
| نویسنده | سالکی، مریم |
| تاریخ انتشار: | 2020-01-17 |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | 0464eabd-73e0-4f98-a64d-ba10dff3b7f2 |
| محل کتابخانه | گروه علوم کامپیوتر |
| تاریخ | 2020-01-17 |
| متن نمونه | در برخی از کاربردها، عوامل هوشمند برای تصمیمگیری به طبقهبندیکنندهها تکیه میکنند و دقت پیشبینیهای آنها ممکن است نقش مهمی در انجام موفقیتآمیز وظایف آنها داشته باشد. اگرچه شبکههای عصبی عمیق در بسیاری از وظایف طبقهبندی بسیار خوب عمل میکنند، اما گاهی اوقات ممکن است در پیشبینیهای خود شکست بخورند و هزینه تمام خطاهای طبقهبندی اشتباه معمولاً یکسان در نظر گرفته میشود که در عمل درست نیست. برای مثال، طبقهبندی یک عابر پیاده در یک تصویر معین به عنوان دوچرخهسوار ممکن است هزینههای قابلتوجهی با طبقهبندی آن بهعنوان خودرو برای یک برنامه خودروی خودران متفاوت باشد. هزینه های خطاها می تواند نامتقارن باشد، از عاملی به عامل دیگر متفاوت است و به زمینه بستگی دارد. بر این اساس، این پایان نامه یک رویکرد جدید برای کمی سازی عدم قطعیت و آگاهی از ریسک در شبکه های عصبی عمیق برای طبقه بندی پیشنهاد می کند. شهود اصلی ما این است که عدم قطعیت پیشبینیکننده را میتوان به روشی اصولی اندازهگیری کرد. از این رو، طبقهبندیکنندهها میتوانند عدم قطعیت بالا را با پیشبینیهای خود در زمانی که احتمال اشتباه بودن این پیشبینیها وجود دارد، مرتبط کنند. علاوه بر این، آنها مفهوم ریسک طبقهبندی اشتباه را در طول آموزش به کار میگیرند، که به آنها اجازه میدهد از پیشبینیهای اشتباه که منجر به ضررهای بیشتر میشود، اجتناب کنند. برای دستیابی به این هدف، طبقهبندیکنندههای کالیبرهشده با ریسک، عدم قطعیت در پیشبینیها را بر اساس میانگین و واریانس توزیع دیریکله کمیسازی میکنند، و مقدار عدم قطعیت را برای پیشبینیها افزایش میدهند، که به احتمال زیاد اشتباه هستند. علاوه بر این، مدل عدم قطعیت را برای طبقه بندی ها افزایش می دهد که ریسک بیشتری دارند. برای تأیید عملکرد رویکردمان، آزمایشهایی را روی مجموعههای دادههای شناختهشده مختلفی انجام دادیم. نتایج نشان میدهد که طبقهبندیکنندههای کالیبرهشده با ریسک پیشنهادی عدم قطعیت بالایی را با طبقهبندی اشتباه خود مرتبط میکنند. علاوه بر این، هدف کمینهسازی ریسک تابع ضرر ما به شبکههای عصبی اجازه میدهد تا تصمیمات کمریسکتری برای طبقهبندی بگیرند.، önemli bir rol oynayabilir. دیرین سینیر آ˘گلاری بیرچوک سینیفلاندیرما گوروینده چوک ایی پرفورانس گؤسترسه د، بازن تهمینلرینده با¸ساریسیز اولابیلیرلر. Genellikle, tüm yanlı¸s sınıflandırma hatalarının maliyeti aynı kabul edilir; فكات بو عمليكته دو˘گرو د˘گلدير. اورنهگین، کندی کندینی سورن بیر آرابا اویگولاماسی ایچین، گورونتودکی یایایی بیسیکلتلی اولارک تهمین ادیلمسی ایله آرابا اولارک تهمین ادیلمسینین مالییتی اونملی اؤلچوده فارکلی اولابیلیر. Hataların maliyeti asimetrik olabilir، etmenden etmene de˘gi¸sebilir ve içeri˘ge ba˘glıdır. بو تز، درین سینیر آ˘گلاریندا سینیفلاندیرما ایچین بیلیرسیزلیک اولچومو و ریسک farkındalı˘gı ایچین ینی بیر یاکلا¸سیم اونرمکتدیر. Ana sezgimiz، öngörücü belirsizli˘gin ilkeli bir ¸sekilde ölçülebilmesidir; بو ندنله، بو تهمینلرین یانلی¸س اولما اولاسیلی˘گی داها یوکسک اولدو˘گوندا سینیفلاندیریکیلار یوکسک بیلیرسیزلی˘گی تهمینلریله ili¸skilendirebilirler. آیریکا، ای˘گیتیم سیراسیندا یانلی¸س سینیفلاندیرما ریسکی گؤز اونونده بولوندورلار; bu daha yüksek kayıplara yol açan yanlı¸s tahminler yapmaktan kaçınmalarını sa˘glar. بونو با¸سارمک ایچین، اونریلن ریسك کالیبراسیونلو سینیفلاندیریکیلار، دیریکله دا˘گیلیمینین اورتالاماسینا و واریانسینا باگلی اولاراک تهمینلردکی بیلیرسیزلی˘گی اؤلچمکته و یالیکولیکس. اولان تهمینلر ایچین بیلیرسیزلیک دئگرینی آرتیرماکتادیر. Ayrıca، مدل daha riskli olan sınıflandırmalar için belirsizli˘gi arttırmaktadır. Yakla¸sımımızın performansını do˘grulamak için، iyi bilinen çe¸sitli veri setleri üzerinde deneyler yaptık. Sonuçlar، önerilen risk-kalibre edilmi¸s sınıflandırıcıların, yüksek belirsizli˘gi yanlı¸s sınıflandırmalarıyla ili¸skilendirdiklerini göstermektedir. Ayrıca, kayıp functionumuzun risk minimizasyon hedefi, sinir a˘glarının sınıflandırma için daha az riskli kararlar vermesini sağlar. |
