A new and efficient method for synthetic data generation with generative adversarial networks
Çekişmeli üretici ağ kullanilarak sentetik data üretmede yeni ve verimli bir metod
- Tez No: 792249
- Danışmanlar: PROF. DR. MEHMET KUNTALP
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, EKG, Veri artırma teknikleri, Yapay sinir ağları, Deep learning, Data augmentation techniques, Artificial neural networks
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zekâ modelleri, özellikle derin sinir ağları, eğitim esnasında yeterli sayıda veriye ihtiyaç duyarlar. Verilerin yetersiz olduğu durumlarda modelin eğitimi başarısız olur. Ayrıca sınıflar arası veri dengesizliği de sınıflandırıcı sistemin eğitiminde başarısızlığa yol açan önemli bir problemdir. Böyle durumlarda bu sınıflar için veri kümesindeki verileri arttırmamız gerekmektedir. Klasik veri arttırma yöntemleri elimizdeki verileri değiştirerek yapılır. Mevcut verilerin benzerleri oluşturulur, yeni veriler üretilmez. Veri kümesinin çok kısıtlı olduğu alanlarda bu çözüm işe yaramaz. Böyle durumlarda elimizdeki sınırlı verilerden yeni veriler üretmemiz gerekir. Çekişmeli Üretici Ağ (ÇÜA) kullanılarak sentetik yeni veriler üretmek mümkündür ve böylece oluşturulan derin öğrenme modelinin çalışması için yeterli eğitim verisi sağlanabilir. Bu tezde, MIT-BIH Arrhythmia veri tabanı üzerinde yeni bir ÇÜA yaklaşımı kullanılarak sentetik ECG verileri üretilmiştir. Özellikle az kayıt içeren veri sınıfları için sentetik veri üretilmesi amaçlanmıştır. Önerilen bu yeni yaklaşımda belli bir sınıfa ait verilerin öbek dağılımları baz alınmıştır. Çalışma sonucunda elde edilen sentetik veriler ile eksik veri kümeleri arttırılmıştır. Geliştirilen sistemlerin başarımları her birinde farklı bir eğitim verisinin kullanıldığı farklı deneylerle incelenmiştir. Önerilen yeni yaklaşımla veri artırımı sonrası elde edilen derin öğrenme başarısının klasik GAN tabanlı yönteme göre arttığı gözlemlenmiştir.
Özet (Çeviri)
Machine learning models, especially deep neural networks, need sufficient data for successful training. In case of insufficient data, the training of the model fails. Moreover, imbalanced datasets are also an important problem that reduces the performance of the classification system. In such cases, we need to increase the data in the dataset of the classes which have few data. Classical data augmentation methods do this by changing the data that we have. Existing data is duplicated by some techniques such as rotating, scaling, etc. However, no new data is synthesized by this approach. In areas where the dataset is very constrained, this solution would not work. We need to generate new data based on limited data in such cases. It is possible to generate synthetic new data using the Generative Adversarial Networks (GAN). Thus, sufficient training data can be provided for the deep learning model developed. In this thesis, new synthetic ECG data were produced for MIT-BIH Arrhythmia Database using a new GAN-based method. The proposed method considers the cluster structure of individual classes. As a result of the study, the dataset was increased with new synthetic data. The performance of the developed systems was examined with different experiments which were conducted by using different training sets but the same test data. It has been observed that the success of the deep learning system has increased using the proposed GAN-based synthetic data augmentation method when compared with classical GAN-based method.
Benzer Tezler
- Yapay zeka ve mimarlık etkileşimi üzerine bir çalışma:Üretken çekişmeli ağ algoritması ile otonom mimari plan üretimi ve değerlendirmesi
A study on interaction of artificial intelligence and architecture: Production and evaluation of architectural plans with generative adversarial networks
CAN UZUN
Doktora
Türkçe
2020
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MERYEM BİRGÜL ÇOLAKOĞLU
- Integrated membrane filtration enhanced with chemical conditioning and biological treatability of olive mill wastewater
Zeytin karasuyunun kimyasal şartlandırma destekli entegre membran filtrasyonu sonrasında biyolojik arıtılabilirliğinin araştırılması
SUDE SALİMİ
Yüksek Lisans
İngilizce
2015
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. SEVAL SÖZEN
- Reşadiye kaplıcasının genomik ve metaproteomik açıdan incelenmesi
A genome and metaproteomic investigation of Resadiye spring
MELİS ÇAKDİNLEYEN
Yüksek Lisans
Türkçe
2018
BiyomühendislikGaziosmanpaşa ÜniversitesiBiyomühendislik Ana Bilim Dalı
PROF. DR. BİLGE HİLAL ÇADIRCI
- Sıra bağımlı hazırlık süresi ve makine kısıtları ile ilişkisiz paralel makine çizelgeleme problemine değişken komşuluk araması yaklaşımı
Variable neighborhood search approach on the unrelated parallel machine scheduling problem with sequence-dependent setup times and machine constraints
EMİNE DUYSAK
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiGebze Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMED BURAK PAÇ
- Dikkat eksikliği ve hiperaktivite bozukluğu olan çocukların el yazılarının görüntü işleme teknikleri ile analizi
Analysis of handwriting of children with attention deficit hyperactivity disorder using image processing techniques
ÖZLEM YILDIZ BUDAK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH ADAK