Non-uniformly sampled sequential data processing

Bu tezde, düzgün olmayan bir şekilde örneklenmiş veya eksik örnek içeren değişken uzunluktaki sıralı veri kümelerinin sınıflandırılması ve bağlanımı üzerinde çalışılmıştır. Sıralı veri işleme çalışmalarında veri genellikle düzgün olarak örneklenmiş ve eksiksiz olarak kabul edilir. Ancak, medikal görüntüleme ve finansal tahmin uygulamalarının da içerisinde bulunduğu bir çok gerçek hayat uygulamasında düzgün örneklenmemiş veya eksik veri ile karşılaşılmaktadır. Bu problemlere çözüm olarak, belirli ön-işleme teknikleri, istatiksel varsayımlar ve yerine koyma metotları kullanılmaktadır. Ancak, istatiksel varsayımlar veriyi her zaman tam olarak modelleyememekte ve yerine koyma algoritmaları da verinin örgüsüne uygun şekilde çalışmamaktadır. Bu nedenle yüksek performans artışları gözlenememektedir. Bu problemlere çözüm olarak, ikinci bölümde, yeni ve özgün bir Uzun Kısa-Soluklu Bellek (UKSB) sinir ağı mimarisi sunulmaktadır. Bu mimaride, geleneksel UKSB sinir ağı mimarisi zaman kapılarıyla genişletilmiş ve zaman bilgisini doğrusal olmayan bir ölçekleme faktörü olarak kullanacak şekilde gelişmiştir. Ayrıca önerilen LSTM mimarisi için ileri geçiş ve geri geçiş güncelleme denklemleri de sunulmaktadır. Yaklaşımımızın, zaman örnekleri arasında bir ilişki olduğu zaman, klasik LSTM mimarisine üstün olduğunu gösteriyoruz. Üçüncü bölümde ise eksik örnekleri içeren değişken uzunluklu sıralı verilerin bağlanımı çalışıldı ve Uzun Kısa-Soluklu Bellek (UKSB) sinir ağlarına dayanan yeni bir ağaç mimarisi tanıtıldı. Bu mimaride, sadece dizideki mevcut girdileri kullanan, ağaç benzeri bir mimaride, eksik verilerle ilgili herhangi bir istatistiksel varsayım yapmadan, değişken sayıda LSTM ağı kullanıyoruz. Burada, belirli sayıdaki geçmiş girdinin mevcudiyet modeline dayanarak kullanılabilecek UKSB ağlarını belirleyip bu ağların tahminlerini uyarlanabilir bir şekilde birleştiriyoruz.