Geri Dön

Sentetik çok değişkenli veri üretimi için oyun teorisi tabanlı çekişmeli öğrenme: özgün bir gan mimarisi (statd²gan)

Game theory-based adversarial learning for synthetic multivariate data generation: A novel gan architecture (statd²gan)

PDF İndir

  1. Tez No: 1004046
  2. Yazar: MUSTAFA ÖZAYTAÇ
  3. Danışmanlar: DOÇ. DR. ÖZGE KARADAĞ ATAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Derin öğrenme, Veri yorumlama-istatistiksel, Yapay zeka ve makine öğrenmesi dersi, Çok değişkenli istatistik, Deep learning, Data interpretation-statistical, Artificial intelligence and machine learning course, Multivariate statistic
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Sentetik veri üretimi, gerçek veriye erişimin kısıtlı, maliyetli veya gizlilik nedeniyle mümkün olmadığı meteoroloji, finans ve sağlık gibi alanlarda kritik bir öneme sahiptir. Ancak mevcut Çekişmeli Üretici Ağ (GAN) mimarileri, çok değişkenli zaman serisi üretiminde istatistiksel doğruluk ile yapısal tutarlılık arasında sistematik bir ödünleşim sergilemektedir. Bu tez, söz konusu temel sınırlamayı aşmak üzere İstatistiksel İkili Ayırıcılı GAN (StatD²GAN) adlı yeni bir çerçeve önermektedir. Önerilen mimari, her biri verinin farklı bir yönünü değerlendiren üç uzmanlaşmış ayırıcıdan oluşmaktadır: zamansal gerçekçilik ayırıcısı, istatistiksel dağılım ayırıcısı ve sıra-değişmez yapı ayırıcısı. Bu çoklu ayırıcı yapısı, Stackelberg hiyerarşik oyun modeli çerçevesinde formüle edilmiş olup, üreticinin lider, ayırıcıların ise takipçi rolü üstlendiği bir denge analizi sunmaktadır. Ayırıcı ağırlıklarının dinamik adaptasyonu için evrimsel oyun teorisinden ödünç alınan replikatör dinamikleri kullanılmıştır. Araştırmanın temel keşfi, GAN'ların çekişmeli eğitim sürecinde doğal olarak kopula yapısını (değişkenler arası bağımlılıkları) öğrendiği, ancak marjinal dağılımlarda sistematik olarak başarısız olduğudur. Bu kopula-marjinal ayrıştırma bulgusu, iki aşamalı bir eğitim protokolünün geliştirilmesine yol açmıştır: çekişmeli öğrenme ile bağımlılık yapısının yakalanması, ardından izotonik kalibrasyon ile marjinal dağılımların düzeltilmesi. 11 boyutlu meteorolojik veri seti üzerinde yapılan kapsamlı deneyler, StatD2GAN'ın \%100 Kolmogorov-Smirnov test başarısı (11/11 özellik), \%91,77 kopula yapısı koruma oranı ve \%53 fizik kısıtı ihlali azalması elde ettiğini göstermektedir. Karşılaştırmalı analizler, önerilen yöntemin standart GAN, TimeGAN ve D2GAN gibi temel yöntemlere göre önemli ölçüde üstün performans sergilediğini ortaya koymaktadır.

Özet (Çeviri)

Synthetic data generation is critically important in domains such as meteorology, finance, and healthcare, where access to real data is limited, costly, or restricted due to privacy concerns. However, existing Generative Adversarial Network (GAN) architectures exhibit a systematic trade-off between statistical accuracy and structural consistency in multivariate time series generation. This thesis proposes a novel framework called Statistical Dual-Discriminator GAN (StatD²GAN) to overcome this fundamental limitation. The proposed architecture comprises three specialized discriminators, each evaluating a different aspect of the data: a temporal realism discriminator, a statistical distribution discriminator, and an order-invariant structure discriminator. This multi-discriminator structure is formulated within a Stackelberg hierarchical game model, where the generator acts as the leader and the discriminators serve as followers, providing a rigorous equilibrium analysis. Replicator dynamics borrowed from evolutionary game theory are employed for dynamic adaptation of discriminator weights. The key discovery of this research is that GANs naturally learn copula structures (inter-variable dependencies) during adversarial training but systematically fail at marginal distributions. This copula-marginal decomposition finding led to the development of a two-phase training protocol: capturing dependency structure through adversarial learning, followed by correcting marginal distributions via isotonic calibration. Extensive experiments on an 11-dimensional meteorological dataset demonstrate that StatD2GAN achieves 100\% Kolmogorov-Smirnov test success (11/11 features), 91.77\% copula structure preservation, and 53\% reduction in physics constraint violations. Comparative analyses reveal that the proposed method significantly outperforms baseline approaches including standard GAN, TimeGAN, and D2GAN.

Benzer Tezler

  1. Tez No

    760011

    Generalized multi-view data proliferator (gem-vip) for boosting classification

    Genelleştirilmiş çok boyutlu veri üretimi ile sınıflandırma hassaslığının yükseltilmesi

    MUSTAFA ÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ISLEM REKIK

  2. Tez No

    1010931

    Hybrid mssa-geostatistical approach to spatio-temporalinterpolation of meteorological variables:the case of the meric-ergene basin

    Meteorolojik değişkenlerin uzamsal-zamansalenterpolasyonuna hibrit mssa-jeoistatiksel yaklaşım:meriç-ergene havzası örneği

    EMEL ÜNAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. KASIM KOÇAK

  3. Tez No

    909242

    Konut düzeyinde kentsel su tüketiminin etmen tabanlı modelleme ile tahmini: Ankara (Ahimesut) örneği

    Estimation of urban water consumption at residential level using agent-based modeling: Ankara (Ahi̇mesut) example

    KAMİL AYBUĞA

    Doktora

    Türkçe

    Türkçe

    2024

    Mühendislik BilimleriGazi Üniversitesi

    Çevre Bilimleri Ana Bilim Dalı

    PROF. DR. AYSEL GAMZE YÜCEL IŞILDAR

  4. Tez No

    518109

    Determination of river pollution sources using source apportionment method: Ergene river

    Kaynak belirleme metodu kullanılarak nehir kirlilik kaynaklarının belirlenmesi: Ergene nehri

    FULYA ÇİNGİROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURÇAK KAYNAK TEZEL

  5. Tez No

    887313

    Generating synthetic data for user behavior based intrusion detection systems

    Kullanıcı davranışına dayalı saldırı tespit sistemleri için sentetik veri oluşturulması

    UGHUR IBRAHIMOV

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. ENVER ÖZDEMİR

Geri Dön