Adversarial robustness for deep metric learning
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: EZGİ PAKET
Danışman: İNCİ MELİHA BAYTAŞ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Derin metrik öğrenme, çeşitli kümeleme, tanıma ve erişim görevlerinde yaygın olarak kullanılmaktadır. Derin metrik öğrenmenin amacı, benzer örnekler arasındaki mesafeyi en aza indirgerken farklı örnekler arasındaki mesafeyi en üst düzeye çıkarabilmek için girdileri gizli bir uzaya eşleyen doğrusal olmayan bir projeksiyon öğrenmektir. Görüntüler için derin metrik öğrenmede kullanılan evrişimli sinir ağlarının, girdi görüntü-lerine algılanamayan bozulmalar ekleyerek modelin davranışını değiştiren hasmane saldırılara karşı savunmasız olduğu bilinmektedir. Her iterasyonda hasmane örneklerin üretildiği hasmane eğitim, derin metrik öğrenme modellerini hasmane saldırılara karşı savunmada öne çıkan tekniklerdendir. Hasmane eğitim popülaritesine rağmen, hesaplama karmaşıklığını artırma ve dayanıklılık ve genelleştirme arasında denge kurma gerekliliği gibi birkaç dezavantajı barındırmaktadır. Bu nedenle, model eğitimini zorlaştırmayan çeşitli mimarilere uygulanabilen hasmane savunma teknikleri arayışı devam etmektedir. Bu tez, eğitim sırasında hasmane örnek üretimi olmadan derin metrik öğrenme için bir hasmane dayanıklılık methodu önermektedir. Önerilen yaklaşım ile hasmane örnekler bir kez önceden eğitilmiş bir ağ kullanarak üretilir ve daha dayanıklı bir öğrenme için bu örnekler kullanılır. Böylece, derin metrik öğrenme modelinin eğitim süresi, hasmane saldırı üretimiyle artmaz. Ek olarak, önerilen dayanıklı eğitim, metrik öğrenme performansı ile doğal ve hasmane örnekler arasındaki farkı derinleştiren belirli hasmane bozulmalara aşırı uyumu önlemek için gizli uzayda küçük bir mimariyle yapılır. Önerilen yaklaşım, metrik öğrenmede en önemli referans veri kümeleriyle değerlendirilmiştir. Elde edilen sonuçlar, önerilen dayanıklı metrik öğrenme methodunun hasmane erişim ve kümelemeyi doğal performanslarda önemli bir düşüşe neden olmadan geliştirdiğini göstermiştir.