Farklı görevler için belirsizliği kullanan birleşik öğrenme

Klasik makine öğrenimi paradigmaları tipik olarak tüm verileri eğitim için tek bir sunucuda merkezileştirir, bu da veri gizliliği, depolama maliyetleri ve veri aktarımı için bant genişliği gereksinimleri gibi sorunlara yol açabilir. Bu zorlukların üstesinden gelmek için Federe Öğrenme ortaya çıkmıştır. Federe Öğrenme bu sorunları hafifletse de kendi dezavantajlarını da beraberinde getirmektedir. Geleneksel makine öğrenimi yaklaşımlarında, ortaya çıkan modelin güvenilir ve tutarlı sonuçlar vermesini sağlamak için model eğitiminden önce veriler önceden işlenir. Ancak Federe Öğrenmede, girdi verilerine doğrudan erişim mevcut değildir, bu da başarılı model eğitimini engeller ve özellikle doğal gürültü içeren girdiler için geleneksel yöntemlere göre nispeten daha düşük doğrulukla sonuçlanır. Bu tez, kaybı hesaplamak için 'Belirsizlik Kaybı Hesaplaması' adı verilen yeni bir yöntem önermektedir. Yöntem ilk olarak çok görevli öğrenme için önerilmiş ve teorik olarak sunulmuştur, ancak ampirik doğrulamadan yoksundur. Hesaplama yöntemi hem regresyon hem de sınıflandırma öğrenme metodolojilerini entegre etmektedir. Bu çalışmada denklem iki parçaya ayrılarak iki farklı modelin bağımsız olarak oluşturulmasına, eğitilmesine ve test edilmesine olanak sağlanmıştır. Bu yeni yaklaşımın etkinliğini değerlendirmek için Regresyon için Ortalama Kare Hata ve Sınıflandırma için Çapraz Entropi Kaybı kullanılarak hesaplamalı karşılaştırmalar yaptık. Bu sonuçlara dayanarak, çalışmamız önceki literatürde sunulan yöntemin pratik bir uygulamaya sahip olup olmadığını belirlemeyi amaçlamaktadır.