UKSB sinir ağları ile eksik veri kümesi üzerinde sıralı bağlanım

Simple item page
buir.contributor.authorŞahin, Safa Onur
dc.citation.epage4en_US
dc.citation.spage1en_US
dc.contributor.authorŞahin, Safa Onuren_US
dc.coverage.spatialSivas, Turkeyen_US
dc.date.accessioned2020-01-31T10:50:10Z
dc.date.available2020-01-31T10:50:10Z
dc.date.issued2019-04
dc.departmentDepartment of Electrical and Electronics Engineeringen_US
dc.descriptionDate of Conference: 24-26 April 2019en_US
dc.descriptionConference name: 27th Signal Processing and Communications Applications Conference (SIU), 2019en_US
dc.description.abstractBu bildiride, içerisinde eksik bilgi bulunan veri kümesinin Uzun Kısa-Soluklu Bellek (UKSB) sinir ağları ile sıralı bağlanımı çalışılmıştır. UKSB sinir ağını kullanan sıralı bağlanım uygulamalarında veri kümesi genellikle eksiksiz olarak olarak kabul edilir. Ancak, eksik veri problemi sıralı veri içeren gerçek hayat uygulamalarında sıklıkla karşılaşılan bir sorundur. Bu probleme çözüm amacıyla sunulan yöntemlerde eksik veri, sıralı verideki örüntüyü yakalayacak derecede modellenememekte ve bu yüzden yüksek performans artışları görünmemektedir. Bu bildiride, eksik veri, bağlanımı gerçekleştiren UKSB ağı tabanlı sinir ağının kendisi tarafından modellenmekte ve bağlanım sırasında üretilen bu veri kullanılmaktadır. Gerçek hayat uygulamalarından elde edilmiş sırlı veri kümeleriyle yapılan deneylerde, önerilen algoritmanın geleneksel metotlar karşısında üstün performans artışına sahip olduğu gözlemlenmiştir.en_US
dc.description.abstractWe study regression for variable length sequential data suffering from missing samples and introduce a long shortterm memory (LSTM) based sequential regression algorithm. In most sequential regression studies, one considers data sequence is complete, i.e., does not contain any missing data. However, the missing data problem appears in a large number of areas such as finance and medical imaging. The remedies to resolve this problem depends on certain statistical assumptions and imputation techniques. However, the statistical assumptions does not hold in real life and the imputation of artificially generated inputs results in sub-optimal solutions. In our experiments, we achieve significant performance gains with respect to the classical algorithms.
dc.identifier.doi10.1109/SIU.2019.8806612en_US
dc.identifier.urihttp://hdl.handle.net/11693/52946
dc.language.isoTurkishen_US
dc.publisherIEEEen_US
dc.relation.isversionofhttps://doi.org/10.1109/SIU.2019.8806612en_US
dc.source.title27th Signal Processing and Communications Applications Conference (SIU), 2019en_US
dc.subjectLong short-term memory neural networksen_US
dc.subjectMissing dataen_US
dc.subjectSequential regressionen_US
dc.subjectRecurrent neural networksen_US
dc.titleUKSB sinir ağları ile eksik veri kümesi üzerinde sıralı bağlanımen_US
dc.title.alternativeSequential regression with nissing data using LSTM networksen_US
dc.typeConference Paperen_US

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Sequential_regression_with_missing_data_using_LSTM_networks_UKSB_Sinir_Aǧlari_ile_Eksik_Veri_Kumesi_Uzerinde_Sirali_Baǧlanim.pdf
Size:
194.58 KB
Format:
Adobe Portable Document Format
Description:
Download

Collections

Department of Electrical and Electronics Engineering