Mathematical programming and statistical learning approaches for multiple instance learning

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2018

Tezin Dili: İngilizce

Öğrenci: EMEL ŞEYMA KÜÇÜKAŞCI

Danışman: MUSTAFA GÖKÇE BAYDOĞAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Gerçek hayattaki pek çok sınıflandırma uygulaması sınıf ayrımı için gerekli olan bilginin saklanması için karmaşık yapılı nesnelerin temsilinde bir esneklik gerektirir. Çoklu Örnekle Öğrenme (ÇÖÖ), sınıflandırma problemini her nesnenin bir örnek torbası ile temsil edildiği durumda çözmeyi amaçlar ve sınıf etiketleri bireysel örnekler için değil, sadece torbalar için sağlanmaktadır. Amaç, yeni torbaları doğru şekilde etiketleyen bir sınıflandırıcının öğrenilmesidir. Bu tezde, farklı uygulama alanlarına ait ÇÖÖ problemlerini çözmek için istatistiksel öğrenme ve matematiksel eniyileme yöntemleri öneriyoruz. İlk olarak, ÇÖÖ için torba seviyesinde öznitelik vektörleri üreten torba kodlama izlemleri sunuyoruz. Torbaların temsili öznitelik vektörlerini öğrenmek için örnek uzayını bölümleyen basit yaklaşımlar kullandık. Geniş bir ÇÖÖ veritabanı üzerinde yaptığımız deneyler rastgele ağaç tabanlı kodlamanın ölçeklenebilir olduğunu ve sınıflandırma başarımı açısından bilinen yöntemlerle rekabet edebildiğini göstermektedir. Matematiksel programlama temelli ÇÖÖ yaklaşımları torba seviyesinde bir karar fonksiyonu oluşturur. Bu bağlamda, ÇÖÖ probleminin doğru sınıflandırma için torba sıralamasını eniyileyen bir doğrusal programlama gösterimini sunuyoruz. Önerilen gösterim örnek seviyesindeki tahminleri birleştirerek torba etiketini tahmin eder. Çeşitli veri gösterimleri üzerindeki problem örnekleri makul bir hesaplama zamanında eniyiye çözülmektedir. Son olarak, dikkate alınan varsayımlar ve hesaplama zorluğu açısından önceki ÇÖÖ gösterimlerinden üstün olan bir karesel programlama gösterimi geliştiriyoruz. Önerilen ÇÖÖ yöntemi torba sınıfı etiketlerine örneklerin katkısını modeller ve bir torba sınıfı karar eşiği sağlar. Deneysel sonuçlar önerilen gösterimin farklı ÇÖÖ uygulamalarındaki sınıflandırma etkinliğini doğrulamaktadır.