Çok amaçlı optimizasyon teknikleriyle dayanıklı otomatik CNN model tasarımı

Bu tezde, çok amaçlı optimizasyon teknikleriyle dayanıklı ve otomatik evrişimli sinir ağı (ESA) modellerinin tasarımı için yenilikçi bir yöntem geliştirilmiştir. Derin öğrenme modellerinin tasarımı, genellikle uzman bilgisi ve zaman alıcı manuel süreçler gerektirirken, önerilen Çok Amaçlı Evrişimli Sinir Ağları (ÇESA) yöntemi, bu süreci otomatikleştirerek modelin doğruluk oranını artırırken cevap süresini optimize etmeyi başarmıştır. Çalışma, farklı çok amaçlı optimizasyon algoritmalarını (örneğin NSGA-II, FDB-NSGA-II) kullanarak pareto optimal çözümler üretmiş, doğruluk ve hız arasındaki dengeyi başarılı bir şekilde sağlamıştır. Dört farklı veri seti üzerinde gerçekleştirilen deneyler, ÇESA yönteminin, mevcut ESA mimarilerine kıyasla %1.93 daha yüksek doğruluk ve %69.85 daha hızlı test süresi sağladığını göstermiştir. Özellikle düşük kapasiteli cihazlarda hafif ve hızlı modellerin üretilebilmesi, yöntemin mobil ve gömülü sistemlerde uygulanabilirliğini kanıtlamaktadır. Ayrıca, hiper-parametre optimizasyonunu tamamen otomatik hale getirerek, kullanıcıdan bağımsız bir şekilde esnek ve etkili modeller üretebilmesi, ÇESA'nın kullanım alanını genişletmektedir. Çalışma, ESA modellerinin tasarımında çok amaçlı optimizasyon yaklaşımlarının gücünü ortaya koyarak, hem akademik hem de endüstriyel uygulamalar için önemli bir rehber olma niteliği taşımaktadır.