Efficient learning strategies over distributed networks for big data

Bu tezde dağınık ağlarda çevrimiçi öğrenme teknikleri üzerinde çalışmaktayız. Dağınık ağlarda iletişim ve işleme kapasitesine sahip ajanlar ağ üzerinde birlikte çalışarak gürültülü gözlemler üzerinden altta yatan bir parametreyi kestirmeye çalışırlar. Bu sistemlerin uygulanabilirliği için yüksek kestirim performansı sağlanırken, etkili iletişim ve işleme kabiliyetlerine sahip olmak da esastır. Bu bağlamda, tezimizde düşük iletişim ve işleme ağırlığı ile literatüre göre yüksek performans sağlayan dağınık çevrimiçi öğrenme metodları sunmaktayız. Tezin ilk kısmında yüksek iletişim ağırlığı gerektiren merkezi dağınık ağlar için küme üyeliği tabanlı yeni bir yöntem sunarak, bu tarz ağların gerektirdiği iletişim ve işlem ağırlığını azaltarak, literatürde bulunan benzer algoritmalara göre çok daha üstün bir performans elde etmekteyiz. Tezin ikinci kısmında ise dinamik parametre kestirimi için merkezi olmayan dağınık öğrenme teknikleri üzerinde çalışmaktayız. Bu ağlarda her ajan kendi kestirimini gözlemlerine ve etraftan aldıkları bilgilere göre oluşturmaktadır. Bu bağlamda biz merkezi olmayan ağlarda optimum öğrenmenin gerçekleşmesi için gerekli şartları ortaya koymakta ve sadece kestirimlerin paylaşılması ile optimum öğrenim performansına ulaşmanın sadece belirli ağ topolojilerinde mümkün olduğunu göstermekteyiz. Daha sonra bu çıkarımlar üzerinden optimum öğrenme performansına erişecek yinelemeli algoritmayı ortaya koyarak gerekli birleşim ağırlıklarını ve kestirimi gerçekleştirecek çıkarımları yapmaktayız. Tez sırasında, yaratılmış ve reel datalar üzerinde gerçekleştirdiğimiz simülasyonlar ile ortaya koyduğumuz bu yöntemlerin hem öğrenme hızı olarak hem de nihai hata seviyeleri olarak literatürde bulunan yöntemlere göre çok daha üstün bir performans gösterdiklerini sergilemekteyiz.