Medikal verilerin sınıflandırılmasında federe öğrenme
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: BEYZA NUR AKŞİT
Asıl Danışman (Eş Danışmanlı Tezler İçin): Bahriye Akay
Eş Danışman: Adam Slowik
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Medikal alanda yapay zekâ ve derin öğrenme tekniklerinin kullanılması, hastalıkların daha hızlı ve doğru bir şekilde teşhis edilmesini ve tedavi süreçlerinin iyileştirilmesini sağlamaktadır. Medikal verilerin içerdikleri hassas bilgiler nedeniyle merkezi sunucuda toplanması ve depolanması, veri güvenliği risklerini beraberinde getirir. Bu nedenle, verilerin merkezi sunucuya gönderilmeden uç noktalarda kaldığı ve sadece güncellenmiş yerel model parametrelerinin merkezi sunucuya gönderildiği federe öğrenme yaklaşımları kullanılır. Bir federe öğrenme yaklaşımı olan FedAvg, federe öğrenme sürecine katılan tüm uç noktaların yerel model parametrelerinin ortalamasını alarak merkezi sunucudaki küresel modeli günceller. Ancak, tüm uç noktaların yerel model parametrelerini küresel model güncellemesinde kullanana bu yaklaşım küresel model performansında yavaş yakınsama ve düşük performans gibi durumları ortaya çıkarabilir. Bu tez çalışmasında, bu sınırlamaları ortadan kaldırmak için tüm uç noktalar yerine en yüksek yerel model test doğruluğuna sahip uç noktanın yerel model parametrelerini kullanarak küresel modeli güncelleyen FedBest yaklaşımı önerilmiştir. FedAvg ve FedBest yaklaşımları BloodMNIST, PathMNIST ve DermaMNIST veri setleri üzerinde yapılan deneylerle kıyaslanmıştır. Yapılan deneyler sonucunda, FedAvg'nin medikal sınıflandırmada başarılı olduğu, ancak FedBest yaklaşımının daha yüksek doğruluk oranları ve daha hızlı bir yakınsama sağladığı gözlemlenmiştir. Ayrıca, iletişim topolojilerinin federe öğrenme yaklaşımlarının performansına olan etkileri incelenmiştir.