Negatif olmayan tensör ayrıştırma yöntemlerinin gözetimli öğrenmede çıkarım, model seçimi ve analiz için kullanılması

Bu tez, negatif olmayan tensör ayrıştırma (NOTA) yöntemlerinin gözetimli öğrenmenin değişik alanlarında kullanılmasına odaklanmaktadır. Teze, birçok modelleme varsayımını, çıkarımda algoritmik verimlilikle birleştirerek hayata geçirebilen olasılıksal bir NOTA çerçevesini tanıtarak başlamaktayız. Ardından bu çerçevenin sağladığı esneklik, farklı gözetimli öğrenme problemlerinde çıkarım, model seçimi ve analiz için kullanılmaktadır. Bu uygulamaların ilkinde bu yaklaşımdan çok seviyeli, karmaşık mevsimsellik gösteren zaman serilerini yorumlanabilir ve doğru bir şekilde modellemek için faydalanılmaktadır. Ardından, bir sınıflandırma probleminde, bir yapay öğrenme modelinin çıktısına bağlı olarak son kararın ne zaman bir uzmana bırakılması gerektiğinin belirlenmesi için yeni bir yöntem önerilmekte ve NOTA modellerinin bu yöntemi daha karmaşık senaryolara genellemekte kullanılabileceği gösterilmektedir. Sonrasında, derin öğrenme yöntemlerinin parametrelerinin ne zaman ve neden sıkıştırılabilir olduğu incelenmekte ve yukarıda bahsedilen NOTA çerçevesinden bu eğilimlerin gösterim uzayındaki karışılıklarının incelenmesinde yararlanılmaktadır. Tezdeki çalışmalar, gözetimli öğrenmenin değişik alanlarına bağımsız katkılar yapmanın yanı sıra, esnek bir modelleme yaklaşımıyla birleştirildiğinde, NOTA yöntemlerinin birçok gözetimli öğrenme problemini kolaylaştıracak şekilde kullanılabileceğini göstermektedir.