Sorgu İşleme – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Sorgu İşleme

Sorgu-kavram öğrenmenin ilk zorluğu, kavram sınırının (ilgili olan ve olmayan görüntüler arasındaki) belirsiz bir şekilde tanımlanabilmesi için ilgili bazı nesneleri bulmaktır. Bu tartışma için, sorgu işlemeye yardımcı olacak anahtar kelimelerin bulunmadığını varsayıyoruz.

Görüntü içeriğinden bir kavramı öğrenmek için istatistiksel yöntemlerin ne kadar ileri gidebileceğini görmek istiyoruz (içerik, renk, doku ve şekil gibi algısal özellikleri ifade eder). Veri kümesinin yalnızca küçük bir bölümü hedef konsepti karşılıyorsa, ilgili bir nesneyi bulmak zor olabilir.

Örneğin, bir milyon resimlik bir veri kümesindeki istenen nesne sayısının 1.000 (yani, veri kümesinin %0,1’i) olduğunu varsayalım. Kullanıcıların ilgili nesneleri tanımlaması için tur başına rastgele 20 nesne seçersek, beş tur rastgele örneklemeden sonra pozitif bir örnek bulma olasılığı yalnızca %10’dur ve açıkça kabul edilemez.

Sorgu kavramı öğrenimini başlatmak için ilgili örnekleri hızla bulan Maksimize Edilen Beklenen Genelleme Algoritması gibi akıllı bir örnekleme yöntemiyle olasılıkları artırabiliriz. Matematiksel ayrıntılara girmeden açıklamak için MEGA, daha olumsuz örnekleri kaldırmak için verilen negatif etiketli örnekleri kullanır.

Ek olarak MEGA, ilgisiz özellikleri ortadan kaldırmak için pozitif örnekleri kullanır. Daha spesifik olarak, MEGA, neredeyse tüm pratik sorgulama kavramlarını ifade edebilen k-CNF’de bir sorgu kavramını modeller; ve MEGA, örnekleme uzayını modellemek için k-DNF’yi kullanır.

Pozitif olarak etiketlenmiş bir örnek, k-CNF’deki terimleri ortadan kaldırabilir ve dolayısıyla onu daha genel hale getirir. Negatif olarak etiketlenmiş bir örnek, k-DNF’deki terimleri ortadan kaldırabilir ve bu nedenle ek negatif örneklerin kaldırılmasını daha kısıtlayıcı hale getirir.

Birbirini tamamlayan iki adım, kavram iyileştirme ve örnek seçimi—başlangıçta yalnızca olumsuz örnekler mevcut olsa bile ilgili örnekleri bulma olasılığını artırır.

Bir milyon görüntülü veri kümesi örneğiyle devam edecek olursak, negatif örnekleri azaltarak arama alanını bir milyondan otuz bine indirebilirsek, aynı anda pozitif bir örnek bulma olasılığını %0,1’den %3,3’e çıkarırız. Böylece, 20 rastgele örnekten oluşan beş turdan sonra bir pozitif örnek bulma olasılığını %10’dan %97’ye yükseltiyoruz. Bazı ilgili ve bazı alakasız örnekler tanımlandıktan sonra, sınıf sınırını iyileştirmek için SVMActive’i kullanabiliriz.

Sezgisel olarak, SVMActive aşağıdaki üç fikri birleştirerek çalışır:

1. SVMActive, bir hedef kavramı öğrenme görevini, bir SVM ikili sınıflandırıcısını öğrenme görevi olarak görür. Bir SVM, genellikle çok yüksek boyutlu bir projeksiyonlu alanda bir hiper düzlemle ilgili görüntüleri alakasız görüntülerden ayırarak sorgu kavramını yakalar. Hiperdüzlemin bir tarafındaki yansıtılan noktalar, sorgu konseptiyle ilgili olarak kabul edilir ve geri kalanı ilgisizdir.

2. SVMActive, aktif öğrenme yoluyla sınıflandırıcıyı hızlı bir şekilde öğrenir. SVMActive’ın aktif kısmı, SVM sınıflandırıcısını eğitmek için en bilgilendirici etiketli örnekleri seçer. Bu adım, az sayıda geri bildirim turunda sorgu kavramına hızlı yakınsama sağlar.

En bilgilendirici örnekler, hiper düzleme en yakın kenar boşluğundaki örneklerdir. Bu örnekler, pozitif veya negatif üyelikleri konusunda en belirsizken, pozitif (negatif) taraftaki hiperdüzlemden daha uzaktaki noktaların pozitif (negatif) olduğu daha kesindir.

3. Sınıflandırıcı eğitildikten sonra, SVMActive en alakalı ilk k görüntüyü döndürür. Bunlar, sorgu kavramı tarafında hiperdüzlemden en uzaktaki k görüntülerdir.

Kısacası, ilgili ilk görüntüleri bulmak için MEGA’yı kullanabilir ve ardından ikili sınıflandırıcıyı iyileştirmek ve döndürülen görüntüleri sıralamak için SVMActive’e geçebiliriz. Bu yöntem, bir kavramın karmaşıklığı çok yüksek olmadığında bir sorgu kavramını etkili bir şekilde öğrenebilir. Kavram karmaşıklığını bölümün ilerleyen kısımlarında tanımlayacağız ve yüksek karmaşıklıktaki kavramları aramak için çareler sunacağız.

Access Sorgu Örnekleri
Access sorgu ölçütleri
Access sorgu formülleri
Ekleme sorgusu
Veritabanı sorgu nedir
SQL sorgu çalıştırma
İleri Seviye SQL sorguları
veri tabanında tablolar grubu hangi sekmede yer alır?

Tibshirani, N < D olduğunda, kullanılan istatistiksel modelin basit olması gerektiğini (veya serbest değişkenlerin sayısının az olması gerektiğini), böylece elde edilen çözümün verilere fazla uymamasını belirtir. Önerilen en yakın küçültülmüş merkezler şeması, N < D olduğu DNA mikro dizi verilerinin analizinde umut verici sonuçlar gösterir. Ancak, algısal özellikler, bir görüntü konseptini tasvir etmek için yüksek sıralarda birbirleriyle etkileşime girer.

Bu nedenle, SVM’lerle çalışmak için bir çekirdek işlevi kullanmak mantıklı bir seçim gibi görünüyor. Daha önce bahsedildiği gibi, DVM’lerin ikili formülasyonu, D’den bağımsız olarak yalnızca N serbest değişkenden oluşur. Aktif öğrenme yoluyla eğitim verilerinin dikkatli bir şekilde seçilmesi, fazla uydurma ile ilgili endişeleri azaltabilir.

İkinci yaklaşım, verilen N örneklerinden eğitim örneklerinin sayısını artırmaktır. Sezgilere aykırı gelse de, negatif eğitim örneklerinin azlığı, öğrenme algoritmalarımız için pozitif eğitim örneklerinin azlığından daha sorunludur.

Bunun nedeni, “kaplanlar” gibi bir kavramı tanımlamanın zor olabilmesi, ancak olumsuzlanmış bir kavramı (bu durumda “kaplan olmayan” kavramı) tanımlamanın potansiyel olarak sonsuz bilgi gerektirebilmesidir. (Kaplan kavramını yeterince tasvir etmek için yalnızca sınırlı sayıda görüntüye ihtiyaç vardır, ancak kaplan olmayan görüntülerin sayısı sonsuzdur.)

Olumsuz eğitim örneklerini bulmak önemli ölçüde daha kolaydır, ancak aynı zamanda, olumsuzlanan bir kavramı tasvir etmek için gereken olumsuz örneklerin sayısı çok fazla olabilir. Bu nedenle, negatif ve pozitif örnekler arasında sınıf sınırını doğru bir şekilde oluşturmak için önemli sayıda negatif eğitim örneğine ihtiyacımız var.

SVMActive algoritmasını tekrar ziyaret edelim. Her örnekleme turunda, marjda bulunan ve aynı zamanda bölen hiper düzleme yakın olan nesneleri seçer. Marj genişse (negatif taraftaki desteğin olmaması nedeniyle), bu geniş marjda pozitif bir eğitim örneğinin bulunma olasılığı düşüktür.

Amacımız, hedef kavramı tasvir etmek için yeterince olumlu eğitim örneği bulmaktır. Ancak, yeterli negatif eğitim örneği toplamanın zorluğu, pozitif eğitim örneği bulma sürecini yavaşlatır. Öğrenme süreci, bir nehirde altın madenciliğine benzer. Altını (ilgili örnekler) hasat etmenin en verimli yolu, suyu, çamuru ve kumu (negatif etiketli örnekler) hızlı bir şekilde filtrelemektir.

Yetersiz eğitim verisi problemini çözmek için, çeşitli uygulamalar için farklı öğrenme algoritmalarıyla çalışmak üzere transdüktif öğrenme önerilmiştir. Transdüksiyonun temel fikri, etiketlenmemiş verileri etiketlenmiş verilerin yanında kullanmaktır. Negatif eğitim örneklerinin en yakın komşularının her zaman negatif olduğunu varsayalım.

Daha sonra negatif etiketli havuzu önemli ölçüde artırmak için komşu örnekleri kullanabiliriz. Bununla birlikte, yanlış “tahminler” nedeniyle verilerin yanlış etiketlenmesi sonuçları bozabileceğinden, çeviri dikkatle yapılmalıdır. Ne yazık ki transdüksiyon performansı sürekli olarak tutarsızdır. Performansı hem uygulamaya hem de veri kümesine bağlı olabilir.

Makale Deniz

Biyografinin Tamamını Gör