Evrişimsel sinir ağları için meta-sezgisel optimizasyon tabanlı adaptif ve modüler sinir mimarisi arama çerçevesinin geliştirilmesi
Development of a metaheuristic optimization-based adaptive and modular neural architecture search framework for convolutional neural networks
- Tez No: 1003884
- Danışmanlar: DOÇ. DR. ÖZKAN İNİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Optimizasyon, Deep learning, Optimization
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin öğrenme mimarilerinin manuel tasarımı, uzmanlık gerektiren ve optimizasyonu zor bir süreçtir. Mevcut Sinir Mimarisi Arama (NAS) yöntemleri ise esneklik ve genellenebilirlik açısından sınırlılıklar içermektedir. Bu tez, meta-sezgisel optimizasyon algoritmalarına dayalı adaptif ve modüler bir çerçevenin, daha verimli ve yüksek performanslı mimariler üretebildiğini göstermeyi amaçlamaktadır. Bu kapsamda iki özgün yöntem geliştirilmiştir. İlk olarak, Parçacık Sürü Optimizasyonu (PSO) tabanlı SADASNet, bir Evrişimsel Sinir Ağının (CNN) temel bileşenlerini bütüncül biçimde optimize ederek seri ve paralel blokların otomatik tasarımını sağlar. Geliştirilen yöntemin etkinliği, çok sınıflı bir cilt kanseri veri seti olan HAM10000 üzerinde test edilmiştir. Tezin temel katkısı olan ModuleCNN; literatürdeki kanıtlanmış mimari prensipleri kendi özgün çerçevesinde yeniden modülleştiren, özgün olarak geliştirilmiş modülleri kullanan ve tüm bu yapıyı adaptif bir genom aracılığıyla meta-sezgisel algoritmalarla optimize eden, kendi kendini iyileştirme mekanizmalarına sahip yenilikçi bir NAS çerçevesi sunmaktadır. Önerilen çerçevenin performansı, MNIST, Fashion-MNIST ve CIFAR-10 gibi standart kıyaslama veri setleri üzerinde doğrulanmıştır. Modellerin performansı; doğruluk, kesinlik, duyarlılık ve F1-skoru gibi temel sınıflandırma metrikleri kullanılarak kapsamlı bir şekilde değerlendirilmiştir. Sonuç olarak bu çalışma, NAS ve HPO alanında genellenebilirliği yüksek, modüler ve adaptif bir mimari arama yaklaşımı sunmaktadır.
Özet (Çeviri)
The manual design of deep learning architectures is a process that requires expertise and is difficult to optimize. Existing Neural Architecture Search (NAS) methods, however, have limitations in terms of flexibility and generalizability. This thesis aims to demonstrate that an adaptive and modular framework based on meta-heuristic optimization algorithms can generate more efficient and high-performance architectures compared to current approaches. Within this scope, two novel methods were developed. First, the Particle Swarm Optimization (PSO) based SADASNet enables the automatic design of serial and parallel blocks by holistically optimizing the core components of a Convolutional Neural Network (CNN). The effectiveness of the developed method was tested on the HAM10000 dataset, a multi-class skin cancer dataset. The main contribution of the thesis, ModuleCNN, presents an innovative NAS framework with self-healing mechanisms, which remodularizes proven architectural principles from the literature within its own unique framework, utilizes originally developed modules, and optimizes this entire structure via an adaptive genome with meta-heuristic algorithms. The performance of the proposed framework was validated on standard benchmark datasets such as MNIST, Fashion-MNIST, and CIFAR-10. The performance of the models was comprehensively evaluated using fundamental classification metrics such as accuracy, precision, recall, and F1-score. In conclusion, this study presents a highly generalizable, modular, and adaptive architectural search approach in the fields of NAS and HPO.
Benzer Tezler
- Predicting power consumption using artificial neural networks algorithms
Başlık çevirisi yok
JUHAINA THAKIR MAHMOOD
Yüksek Lisans
İngilizce
2020
Bilim ve TeknolojiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. OSMAN NURİ UÇAN
- Çekirge optimizasyon algoritması ve yapay sinir ağları kullanılarak hane güç tüketimi tahmini
Prediction of household power consumption using grasshopper optimization algorithm and artificial neural networks
TÜLİN SERT İRİ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Tiroit ince iğne aspirasyon biyopsilerinde papiller tiroit karsinomların metasezgisel temelli evrişimsel sinir ağı ile tespit edilmesi
Detection of papillary thyroid carcinoma nuclei in thyroid fine needle aspiration biopsies by deep learning and machine learning methods
ZEYNEP İLKILIÇ AYTAÇ
Doktora
Türkçe
2024
Mühendislik BilimleriFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. BEŞİR DANDIL
DR. ÖĞR. ÜYESİ İSMAİL İŞERİ
- Görüntü sınıflandırması için evrişimsel sinir ağı-metasezgisel algoritmalar tabanlı yeni bir hibrit yaklaşım geliştirilmesi
Development of a novel hybrid approach based on convolutional neural networks-metaheuristic algorithms for image classification
SEDA VAROL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMalatya Turgut Özal ÜniversitesiEnformatik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SONER KIZILOLUK
- Sepsis hastalığının derin öğrenme yöntemiyle tahmini
Sepsis disease prediction by deep learning
UMUT KAYA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATINÇ YILMAZ