Abstract:
Derin öğrenme modelleri, görüntü sınıflandırma, belirsizlikle başa çıkma
yeteneklerini artırmaya, doğal dil işleme ve makine çevirisi gibi birçok alanda
uzman insanları aşan performanslar sergilemektedir. Ancak, bu modeller
belirsizlik durumlarını ele alırken zorluk yaşamaktadır, bu da yanlış kararlar ve
güvenilirlik kaybına neden olabilir. Derin öğrenme modellerinin belirsizliğini
ölçmek için kullanılan çeşitli yöntemler incelenmektedir. Bu yöntemler, model
çıktılarının analizi, eğitim süreçlerinin incelenmesi ve yeni verilerle test edilmesi
gibi farklı yaklaşımları içermektedir. Bu yöntemlerin avantajları ve dezavantajları
tartışılarak, derin öğrenme modellerinin güvenilirliğini artırmak için nasıl
kullanılabileceği araştırılmaktadır.
Ayrıca, bu çalışmada bir örnek sunulmuş ve Yönlü Merkezi Simetrik İkili
Desen (DCSBP) temelli bir derin öğrenme çerçevesinin kullanıldığı bir uygulama
özetlenmiştir. Bu çerçeve, X-ışını görüntülerinde COVID-19, zatürre ve verem
gibi anormallikleri tespit etmek için kullanılmıştır. Önerilen DL yaklaşımı,
zatürre ve CH veri tabanında sırasıyla %98'den fazla ve %87'den fazla doğruluk
elde etti. Bu sonuçlar, mevcut en iyi yöntemlerle karşılaştırıldığında önemli
ölçüde daha iyidir. Ayrıca, önerilen sistem, gürültülü ve bilinmeyen veri kümeleri
de dahil olmak üzere belirsiz senaryolarda test edilmiş ve uyumlu sonuçlar elde
edilmiştir. Önerilen yöntem, yüksek doğruluk oranları elde etmiş ve mevcut
yöntemlere göre daha iyi sonuçlar vermiştir. Ayrıca, çerçeve belirsiz senaryolarda
da test edilmiş ve uyumlu sonuçlar elde edilmiştir.