Zayıf denetimli ve denetimsiz derin öğrenme ile kaynak ayrıştırma

Kaynak ayrıştırma, son yıllarda önemli bir araştırma konusu olup, derin öğrenme yaklaşımlarının uygulanması bu alana büyük bir katkı sağlamıştır. Denetimli yöntemler, bu katkının temel direkleri olmasına rağmen, bu tür modellerin eğitimi sıklıkla gerçek uygulamalarda karşımıza çıkan karışım işaretlerini yeterince temsil etmesi mümkün olmayan sentetik karışım veri kümeleri gerektirmektedir. Bu tezde, karışım işaretini oluşturan kaynak işaretlerine erişim olmadan eğitilen tek kanallı kaynak ayrıştırma yöntemlerine odaklanılmaktadır. Böylece, kaynak işaretleri bulunmayan gerçek karışım işaretlerine uygulanabilen modellerin eğitilmesi mümkün olmaktadır. Bu şekilde, modellerin büyük miktarda etiketlenmemiş veya zayıf etiketlenmiş veriler üzerinde ek etiketleme çabasına gerek kalmadan eğitilmesi mümkün olmaktadır. Bu probleme üç farklı şekilde yaklaşılmaktadır. İlk olarak, karışım işaretini oluşturan kaynak işaretlerinin sınıf etiketlerini kullanan, ayrıştırmaya dayalı zayıf denetimli bir model geliştirilmektedir. Bu zayıf sınıf denetimi yaklaşımı, negatif olmayan matris ayrıştırma ve üretken çekişmeli ağlar kullanılarak üst üste bindirilmiş el yazısı rakamları içeren görüntülere uygulanmaktadır. İkinci olarak, zayıf sınıf denetimi yaklaşımımızı ses işaretlerine uygulayabileceğimiz varyasyonel otokodlayıcılar kullanan bir ayrıştırma tabanlı model sunmaktayız. Üçüncü olarak, yalnızca karışım işaretlerine ihtiyaç duyarak kendi kendini denetleyen bir şekilde eğitilen, tamamen denetimsiz iki yöntem tanıtmaktayız. Deneylerimizin sonucunda, önerilen zayıf denetimli ve denetimsiz yöntemlerin uygulanabildiği ve tamamen denetimli temel modellerle benzer başarıma sahip olduğu gözlenmektedir. Sonuç olarak daha yüksek başarım elde edebilmek için, gerçek uygulamalarla uyumlu olacak şekilde denetimli eğitimin, zayıf denetimli ve denetimsiz yöntemlerle değiştirilmesinin mümkün olduğu gözlenmektedir.