Distance-based learning approaches for multiple instance learning
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: ÖZGÜR EMRE SİVRİKAYA
Danışman: MUSTAFA GÖKÇE BAYDOĞAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Çoklu Örnekle Öğrenme (ÇÖÖ), bireysel örneklerin etiket bilgilerinin genellikle bilinmediği ancak örnek gruplarının (torba) etiket bilgilerinin bilindiği durumlarda, torbaların etiketlenmesini hedefleyen yarı denetimli bir öğrenme yaklaşımıdır. Mevcut ÇÖÖ çalışmalarının çoğu, torba ve örnek etiketleri arasındaki ilişkiyle ilgili belirli varsayımlara odaklanan denetimli öğrenme yaklaşımları sunmaktadır. Bu çalışmalar, örnek etiketlerinin belirsizliği nedeniyle, karmaşık yapılara sahip ÇÖÖ problemlerine genellenememektedir. Araştırmacılar, bu problemden kaçınmak için torba temsilini örnek seviyesindeki bilgiyi gömerek öğrenmeye odaklanmışlardır. Bu bağlamda, farklılığa dayalı temsillerin iyi genellenebildiği bilinmektedir. Bu tez, her bir torbanın prototiplere olan benzerlikleriyle temsil edildiği yeni bir yapı önermektedir. Bu yapı, kapsamlı kıyaslama veri setlerinde, mevcut benzerlik tabanlı yaklaşımlardan daha hızlı ve daha başarılı sonuçlar veren öğrenme yaklaşımlarından oluşmaktadır. Önerilen ilk yaklaşım, basit bir model ile ÇÖÖ veri setinden prototip oluşturmaktadır. Bu yaklaşımda, torbaları bir özellik uzayına eşlemek için özellik uzayında prototipler bulmayı ve aynı anda ÇÖÖ için doğrusal bir sınıflandırıcı öğrenme amaçlanmaktadır. İkinci öneri ise model performansından ödün vermeyerek, karmaşık değişken ayarlama süreçlerinden ve yüksek hesaplama maliyetlerinden kaçınan ağaç tabanlı bir topluluk öğrenme stratejisidir. Sunulan yapı, farklı yöntemlerin birleştirilmesi, değişken seçim stratejisi ve topluluk tasarımı ile zenginleştirilmiştir. Ayrıca, önerilen yöntemler regresyon alanına, yani Çoklu Örnekle Regresyon'a (ÇÖR) uygulanabilir hale getirilmiştir. ÇÖR, torba etiketlerinin sınıflar yerine gerçek değerli veriler olduğu ve literatürde daha az çalışılan bir alandır. Yapılan deneyler, bu tezde sunulan tüm önerilerin performanslarının literatürdeki bilinen yaklaşımlardan daha iyi olduğunu göstermektedir.