DERİN ÖĞRENME MODELLERİNİN BELİRSİZLİK ÖLÇÜMÜ

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.