Bayesci Sinir Aglari (Bayesian Neural Networks)

Diger adlari: Bayesian Neural Networks, BNN, Bayesian Deep Learning

Kisa Tanim

Bayesci sinir aglari, ag agirliklarini sabit degerler yerine olasilik dagilimi olarak modelleyen sinir agi yaklasimlarinin genel adidir. Bu sayede her tahminle birlikte bir belirsizlik olcusu (uncertainty estimate) uretilir.

Teknik Mantik

Standart sinir aglarinda agirliklar noktasal degerlerdir. BNN'de ise her agirlik icin bir posterior dagilim p(w|D) elde edilir. Tam posterior hesaplama maliyetli oldugundan pratikte yaklasim yontemleri kullanilir: MC-Dropout (Gal & Ghahramani, 2016) — dropout'u cikarim sirasinda aktif birakarak N ileri gecis yapar, ciktilarin varyansi epistemik belirsizligi verir. Variational Inference — agirlik dagilimini parametrik bir aile (ornegin Gauss) ile yaklar. Deep Ensembles — farkli baslatma ile birden fazla model egitilir, tahminlerin yayilimi belirsizligi yakalari.

Kullanim Baglami

Modelin "bilmedigini bilmesi" gereken guvenlik-kritik uygulamalarda tercih edilir: tibbi teshis, otonom surucu ve tarimsal karar destek sistemleri. Epistemik belirsizlik (model bilgisizliginden kaynaklanan) ve aleatorik belirsizlik (veri gurultusu) ayrimi yapilabilir.

Tarimsal Baglam

Tarimsal karar destek sistemlerinde belirsizlik bilgisi kritiktir. Verim tahmini "4,2 ton/ha" yerine "3,5-5,0 ton/ha arasi, %90 olasilikla" biciminde ifade edildiginde ciftci daha bilgili kararlar alir. MC-Dropout, mevcut CNN veya LSTM modeline ek maliyet olmadan belirsizlik tahmini ekler. Ozellikle erken evre hastalik tespitinde modelin dusuk guvenli tahminleri aktif ogrenme dongusune yonlendirilebilir.

Sik Karistirilan Nokta

MC-Dropout bazen "Bayesci yaklasim" olarak sunulsa da, tam Bayesci cikarimdan farklidir — bir yaklasimdir. Ayrica ensemble disagreement yalnizca epistemik belirsizligi yakalar; aleatorik belirsizlik icin ayrica modelleme gerekir.

Dr. Mehmet Solak — Siirt Universitesi, Biyosistem Muhendisligi