corpus.jsonl

{"id": "c0001", "text": "ÖZET GİYİLEBİLİR SENSÖR VERİLERİ İLE HAYVAN DAVRANIŞI SINIFLANDIRMADA TRANSFER ÖĞRENME VE ALAN UYARLAMASI Bu çalışmada hayvanların vücuduna takılan Ataletsel Ölçüm Ünitesi (IMU, Inertial Measurement Unit) verileriyle köpek, keçi ve at türleri arasında davranış sınıflandırması gerçekleştirilmiştir. Veri işleme hattında Düzenlenmiş En Yakın Komşular (ENN, Edited Nearest Neighbors) ve Tomek Links ile gürültü temizliği, Çok Etiketli Sentetik Azınlık Aşırı Örnekleme Tekniği (MLSMOTE, Multi-Label Synthetic Minority Over -sampling Technique) ve Koşullu Gradyan Cezalı Wasserstein Çekişmeli Üretici Ağ (cWGAN -GP, Conditio nal Wasserstein Generative Adversarial Network with Gradient Penalty) ile sınıf dengeleme, Temel Bileşen Analizi (PCA, Principal Component Analysis) ile boyut indirgeme uygulanmıştır.", "source": "Only_tez.pdf:p3"}
{"id": "c0002", "text": "Davranışsal Aktarılabilirlik Benzerlik Skoru (BTSS, Behavioral Transfera bility Similarity Score) analiziyle altı ortak davranış kategorisi tanımlanmıştır. Dört derin öğrenme mimarisi; dikkat mekanizmalı Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM, Bidirectional Long Short -Term Memory), dikkat mekanizmalı Kapılı Yinelemeli Birim (GRU, Gated Recurrent Unit), Transformer ve Tek Boyutlu Evrişimli Sinir Ağı (CNN1D, 1D Convolutional Neural Network) üç eğitim aşamasında değerlendirilmiştir: Transfer Öğrenme (TL, Transfer Learning), Alan Çekişmeli Sinir Ağı (DANN, Domain-Adversarial Neural Network) ve Sözde Öz-Eğitim (PST, Pseudo Self-Training). Altı kaynak -hedef çifti ve 72 deneylik yarı -denetimli (w_tgt=0,2) çerçevede TL aşamasındaki ortalama Macro -F1 skor değeri 0,356'dan DANN ile 0,711'e yükselmiştir (Wilcoxon, p<0,001).", "source": "Only_tez.pdf:p3"}
{"id": "c0003", "text": "Dikkat mekan izmalı modeller (GRU 0,737, BiLSTM 0,736) Transformer ve CNN1D'den anlamlı biçimde üstün bulunmuştur (Friedman p=0,013, Nemenyi p=0,037). En yüksek transfer başarısı Keçi→At çiftinde elde edilmiştir (Macro -F1 skor=0,747); Tırıs, Yürüme ve Ayakta Durma davranışlarında Sınıf F1 skorları 0,91'i aşmıştır. PST aşaması 24 deneyin 23'ünde DANN performansını düşürmüştür. Tam denetimsiz koşulda (w_tgt=0) Macro -F1 skoru 0,03'e düşmüş ve Gradyan Tersine Çevirme Katmanının (GRL, Gradient Reversal Layer) negatif transfe re yol açtığı gösterilmiştir; düşük bir etiket sinyali (w_tgt=0,01) bile Macro-F1 skoru 0,63'e taşımıştır. Önerilen K-Ortalamalar (K-Means, K-Means Clustering) Head Adaptation yöntemi denetimsiz koşulda Macro -F1 skor =0,40 değerine ulaşarak DANN'ın (0,03) on üç katı performans sağlamıştır.", "source": "Only_tez.pdf:p3"}
{"id": "c0004", "text": "Anahtar Kelimeler: Çok etiketli sınıflandırma, giyilebilir sensörler, hayvan davranış analizi, transfer öğrenme, domain adaptation, DANN. Danışman: Doç. Dr. Çiğdem ACI, Mersin Üniversitesi, Bilgisayar Mühendisliği Anabilim Dalı, Mersin.", "source": "Only_tez.pdf:p3"}
{"id": "c0005", "text": "ABSTRACT TRANSFER LEARNİNG AND DOMAİN ADAPTATİON FOR ANİMAL BEHAVİOR CLASSİFİCATİON USİNG WEARABLE SENSOR DATA In this research, behavior classification was performed across dog, goat, and horse species using data from Inertial Measurement Units (IMUs) attached to the animals’ bodies. In the data processing pipeline, noise removal was performed using Edited Nearest Neighbors (ENN) and Tomek Links, followed by the Multi -Label Synthetic Minority Over -sampling Technique (MLSMOTE) and the Conditional Wasserstein Generative Adversarial Network with Gradient Penalty (cWGAN-GP) for class balancing, and Principal Component Analysis (PCA) for dimensionality reduction. Six common behavioral categories were identified using the Behavioral Transferability Similarity Score (BTSS) analysis.", "source": "Only_tez.pdf:p4"}
{"id": "c0006", "text": "Four deep learning architectures —Bidirectional Long Short -Term Memory (BiLSTM) with attention mechanisms, Gated Recurrent Unit (GRU) with attention mechanisms, Transformer, and 1D Convolutional Neural Network (CNN1D) were evaluated across three training phases: Transfer Learning (TL), Domain-Adversarial Neural Network (DANN), and Pseudo Self-Training (PST). Across six source-target pairs and 72 experiments in a semi-supervised (w_tgt=0.2) setting, the average Macro- F1 score increased from 0.356 in the TL phase to 0.711 with DANN (Wilcoxon, p<0.001). Attention - based models (GRU 0.737, BiLSTM 0.736) were found to be significantly superior to Transformer and CNN1D (Friedman p=0.013, Nemenyi p=0.037).", "source": "Only_tez.pdf:p4"}
{"id": "c0007", "text": "The highest transfer success was achieved in the Goat→Horse pair (Macro -F1 score=0.747); Class F1 scores exceeded 0.91 for Trot, Walk, and Stand behaviors. The PST phase reduced DANN performance in 23 out of 24 experiments. Under fully unsupervised conditions (w_tgt=0), the Macro -F1 score dropped to 0.03, demonstrating that the Gradient Reversal Layer (GRL) caused negative transfer; even a low label signa l (w_tgt=0.01) raised Macro-F1 score to 0.63. The proposed K -Means Head Adaptation method achieved a Macro -F1 score of 0.40 under unsupervised conditions, delivering thirteen times the performance of DANN (0.03). Keywords: Multi -label classification, wearable sensors, animal behavior analysis, transfer learning, domain adaptation, DANN.", "source": "Only_tez.pdf:p4"}
{"id": "c0008", "text": "1. GİRİŞ Tarımsal üretim ile hayvanlar arasındaki ilişki binlerce yıllık bir geçmişe sahip olmakla birlikte, günümüzde yapay zekanın gelişmesi ile köklü bir değişim geçirmektedir. Hayvancılık sektörü, artan dünya nüfusu ve gıda üretimi kaynaklı endişeleri gidermek amacıyla teknolojik çözümlere yönlenmiştir. Hassas Hayvancılık (PLF, Precision Livestock Farming ) konsepti de tam olarak bu gereksinimden doğmuştur. Hayvan refahı ile üretim verimliliği, PLF'nin birbirini destekleyen temel dayanağıdır. Bu bağlamda, sürü dü zeyindeki geleneksel yönetim anlayışından uzaklaşılarak, bireysel hayvan takibine geçmek; her bir hayvanın sağlık durumu izlemek, davranışlarındaki değişimleri sürekli olarak gözlemlemek; hastalıkları erken teşhis etmek için hayvanların kesintisiz izlenmes i gerektiği önceki çalışmalarda bildirilmiştir (Mao vd., 2023; Riaboff vd., 2022; Wu vd., 2022).", "source": "Only_tez.pdf:p12"}
{"id": "c0009", "text": "Ancak, binlerce hayvanın barındığı endüstriyel işletmelerde böylesi bir hayvan takip sistemini insan gücüyle gerçekleştirmek mümkün değildir. Gözlemcilerin fiz iksel yorgunluğu, değerlendirmelerin öznel niteliği ve gece saatlerinde izleme yapılamaması gibi kısıtlar göz önüne alındığında, giyilebilir sensör teknolojilerinin kullanımı bir tercih olmaktan çıkarak kaçınılmaz bir gereklilik hâlini almıştır (Mao vd., 2023; Riaboff vd., 2022). Ataletsel Ölçüm Üniteleri (IMU, Inertial Measurement Unit), hayvanın hareketlerini kesintisiz olarak kaydeden donanımlardır (Kamminga vd., 2018; Walton vd., 2018). Fakat teknik altyapı açısından sağlanan ilerlemelere rağmen, sistemin uygulanabilirliğinin önündeki asıl kısıtlayıcı faktör veri etiketleme sürecidir.", "source": "Only_tez.pdf:p12"}
{"id": "c0010", "text": "Denetimli öğrenme modellerini eğitebilmek için kaydedilen her bir zaman diliminin uzmanlar tarafından işa retlenmesi gerekmektedir. Bu süreç, hem maliyetli hem zaman alıcı hem de ciddi düzeyde alan uzmanlığı gerektirmektedir. Daha da kritik olan sınırlama ise sisteme dâhil edilecek her yeni hayvan türü veya farklı bir sensör konumu söz konusu olduğunda, etiketleme sürecinin tekrarlanmasıdır (Ahn vd., 2023; Kamminga vd., 2018). Literatürde IMU kullanan çalışmaların çoğu tek bir türe odaklanarak yalnızca o türe özgü modeller geliştirmiş; türler arasındaki biyolojik benzerlikleri büyük ölçüde göz ardı etmiştir (Ahn vd., 2023; Mao vd., 2024). Dolayısıyla her yeni tür için model ol uşturma süreci baştan tasarlanmaktadır.", "source": "Only_tez.pdf:p12"}
{"id": "c0011", "text": "Farklı türler arasında bilgi aktarımını inceleyen çalışmalar literatürde oldukça kısıtlıdır. Bu durum, söz konusu teknolojilerin ölçeklenebilmesinin önündeki engellerden biridir. Literatürdeki bir diğer göz ardı edilen durum ise davranışların modellenme biçimiyle ilgilidir. Mevcut çalışmalarda hayvan davranışları genellikle ayrık, bağımsız tekil sınıflar olarak ele alınmaktadır. Oysa fizyolojik gerçeklikte davranışlar bu şekilde kesin çizgilerle ayrılmamaktadır. Hayvan davranışları çok katmanlı bir yapıya sahiptir ve eş zamanlı olarak gerçekleşebilir. Örneğin, bir hayvan yürürken aynı zamanda kuyruk sallayabilir veya geviş getirirken dinlenebilir. Tek etiketli sınıflandırma yaklaşım ları bu karmaşık yapıyı tam olarak yansıtamaz ve saha uygulamalarında kaçınılmaz bir performans düşüşüne neden olur (Li vd.", "source": "Only_tez.pdf:p12"}
{"id": "c0012", "text": "Bu tez çalışması, önceki çalışmaların söz konusu eksikliklerine odaklanmıştır. Geliştirilen model, türler arası bilgi transferini temel almakta ve türe özgü sensör montaj farklılıklarına karşı dayanıklı, evrensel bir mimari sunmayı hedeflemektedir. Bu doğr ultuda, etiketli veri sayısı yeterli olan kaynak türden öğrenilen davranışsal öznitelikler, derin öğrenme mimarileri aracılığıyla etiketli veri sayısı kısıtlı olan hedef türlere aktarılmıştır. Modelin temel mimarisi, Alan Çekişmeli Sinir Ağı (DANN, Domain Adversarial Neural Network) olarak benimsenmiştir (Ahn vd., 2023; Ganin vd., 2016). DANN, türler arası dağılım farkını minimize ederek türden bağımsız özellik temsillerini öğrenebilmektedir.", "source": "Only_tez.pdf:p13"}
{"id": "c0013", "text": "Ayrıca, davranışlar biyolojik doğalarına uygun biçimde ele alınarak kaynak alanda çok etiket li, hedef alanlarda ise tek etiketli bir zaman serisi problemi olarak modellenmiştir. Çalışma kapsamında köpek, keçi ve at türlerine ait kaynak veriler kullanılmıştır. Farklı anatomik yapılara ve hareket dinamiklerine sahip bu türlerin analizinde laboratuvar simülasyonları yerine, gerçek saha koşullarında toplanmış açık kaynaklı IMU verileri kullanılmıştır. Çalışmanın odak noktası yürüme, koşma, yeme ve dinlenme gibi fiziksel davranış kalıplarıdır. Duygusal durum tespiti veya patolojik bozuklukların analizi bu çalışmanın kapsamı dışında tutulmuştur. Sonuç olarak, transfer edilebilir bir model mimarisi geliştirilerek PLF uygulamalarında etiketli veriye olan bağımlılığın en aza indirilmesi amaçlanmıştır.", "source": "Only_tez.pdf:p13"}
{"id": "c0014", "text": "Ortaya konan yaklaşımın, fark lı türler için ölçeklenebilir, ekonomik ve yüksek doğruluklu izleme sistemlerinin geliştirilmesine öncülük etmesi beklenmektedir", "source": "Only_tez.pdf:p13"}
{"id": "c0015", "text": "2. KAYNAK ARAŞTIRMALARI Bu bölümde hayvan davranışlarının giyilebilir sensörler aracılığıyla otomatik olarak tanınmasına yönelik önceki çalışmalar incelenmiştir. 2.1. IMU Tabanlı Hayvan Davranış Tanıma Sistemleri PLF yaklaşımının temel gereksinimlerinden biri, hayvanların bireysel hareketlerini aralıksız ve nesnel bir biçimde izleyebilmektir. Literatürdeki güncel eğilimler, sürecin iki ana yöntem üzerinde yoğunlaştığını ortaya koymaktadır: kamera tabanlı izleme ve giyilebilir teknolojiler (Mao vd., 2023). Görüntü tabanlı sistemler kapalı ortamlarda ve sürü düzeyinde izlemede etkili sonuçlar verirken görüş açısı kapandığı anda veri akışı kesilmekte, bu da sistemin uygulanabilirliğini kısıtlamaktadır.", "source": "Only_tez.pdf:p14"}
{"id": "c0016", "text": "Gece koşullarında ya da düşük aydınlatmalı ortamlarda tanı ma performansını belirgin biçimde düştüğü, sürü içinde bireylerin ayrıştırılmasının ise teknik bir zorluk olduğu bilinmektedir (Riaboff vd., 2022). Açık mera koşullarında ise kamera yerleşimi ve kapsama alanı gibi pratik sorunlar da söz konusudur. Bu sınırlayıcı unsurlar, doğrudan hayvan vücuduna yerleştirilip hareket verilerini sürekli kaydeden IMU'yu fiilen standart bir araç konumuna taşımıştır (Mao vd., 2023). Hussain vd. (2022), köpek refahının izlenmesi amacıyla geliştirdikleri sistemde 10 farklı köpeğin boyun ve kuyruk bölgelerine giyilebilir sensörler yerleştirmişlerdir. Sensör cihazları, ivmeölçer ve jiroskop bileşenlerini bir arada barındırmış; 6 kanallı v eri akışı 33,33 Hz örnekleme frekansında toplanmıştır.", "source": "Only_tez.pdf:p14"}
{"id": "c0017", "text": "Toplam 10 farklı aktivite (yürüme, oturma, yatma, bekleme, yeme, yana yatma, zıplama, koşma, silkinme ve burun çalışması) kaydedilmiş ve etiketlenmiştir. Model, Evrişimli Sinir Ağı (CNN, Convolutional Neural Network) mimarisi üzerine kurulmuş; beş konvolüsyon katmanı ile yapılandırılmış ve aşırı öğrenmeye karşı 0,5 oranında dropout uygulanmıştır. Çalışmanın F1 skorları sınıf bazında incelendiğinde koşma aktivitesinde %100, yeme ve yana yatma aktiviteler inde %99’luk değerler elde edilmiş; oturma ve silkinme sınıflarında bu oran %94’ler düzeyinde kalmıştır. Modelin genel doğrulama başarısı ise %96,85 olarak bildirilmiştir. Sensör konumunun yürüyüş sınıflandırması üzerindeki etkisini Serra Bragança vd. (2020) atlar üzerinde geniş çaplı bir deneyle ele almıştır.", "source": "Only_tez.pdf:p14"}
{"id": "c0018", "text": "Çalışma, 4 farklı ırktan toplam 120 atı kapsayarak vücudun yedi ayrı noktasına (baş, cidago, pelvis ve dört bacak) I MU sensörleri yerleştirilmiş ve yürüyüş, tırıs, sol ve sağ dörtnala dahil 8 farklı yürüyüş örüntüsü sınıflandırılmıştır. Öznitelik çıkarımına dayanan Tam Bağlantılı Yapay Sinir Ağı (FC -ANN, Fully Connected Artificial Neural Network) %96,7 doğruluğa ulaşırken, ham sensör verisi üzerinde çalışan çift yönlü Uzun Kısa Süreli Bellek (LSTM, Long Short - Term Memory) modeli %95,5 doğruluk elde etmiştir. Farklı vücut noktalarından elde edilen sinyallerin ayırt edici gücü yürüyüş tipine göre değişkenlik göstermiş; yal nızca üst gövde sensörleri (baş, cidago,", "source": "Only_tez.pdf:p14"}
{"id": "c0019", "text": "pelvis) kullanıldığında doğruluk %92,3'te kalmış, dört bacak sensörünün eklenmesiyle bu oran %95,5'e yükselmiştir. Sakai vd. (2019) tarafından keçiler üzerinde yapılan bir çalışmada, 3 Japon Saanen keçisinin sırtına 9 eksenli çoklu sensör (ivmeölçer 100 Hz, jiroskop 100 Hz, manyetometre 2 Hz) yerleştirilerek yatma, ayakta durma ve otlama olmak üzere üç temel davranış s ınıflandırılmıştır. 3 günlük kayıt süresi boyunca zaman atlamalı kameralarla eş zamanlı video kaydı alınmış ve davranış etiketleri 1 saniyelik aralıklarla atanmıştır. Karar Ağacı algoritması tüm sensör verisiyle (ivmeölçer + manyetometre + jiroskop) %87 ge nel doğruluğa ulaşmış ve k -En Yakın Komşu (KNN, k -Nearest Neighbor) 'nin aynı koşuldaki %81’lik başarısını geçmiştir.", "source": "Only_tez.pdf:p15"}
{"id": "c0020", "text": "Yalnızca ivmeölçer verisinin kullanıldığı durumda karar ağacı %85 doğruluk sağlamış; manyetometrenin eklenmesi bu oranı %87'ye taşımış, ji roskop verisi ise tek başına kayda değer bir katkı sunmamıştır. Arablouei vd. (2024), sığırların boyun tasmasına takılan yapay zeka destekli etiket cihazında uçtan uca bir derin öğrenme algoritması geliştirmiştir. Önerilen mimaride öğrenilebilir Sonsuz Birim Darbe Yanıtı (IIR, Infinite Impulse Response) ve Sonlu Birim Darbe Yanıtı (FIR, Finite Impulse Response) filtreleri öznitelik hesaplama katmanı olarak görev alır; sınıflandırma ise ardışık bir Çok Katmanlı Algılayıcı (MLP, Multi -Layer Perceptron) ile tamamlanır. Angus cinsi sığırlardan toplanan iki ayrı veri kümesin de otlama, yürüme, geviş getirme, dinlenme ve su içme davranışları değerlendirilmiştir.", "source": "Only_tez.pdf:p15"}
{"id": "c0021", "text": "Yapılan deneysel çalışmalar sonucunda, geliştirilen modelin davranış sınıflandırmada yüksek bir doğruluk sergilediği saptanmıştır. Özellikle boyun tasmasından elde edilen verilerle yapılan sınıflandırmada 0,857 genel MCC (Matthews Korelasyon Katsayısı) sko ru elde edilmiştir. Çalışmanın en önemli çıktılarından biri, boyun tasması modellerinden elde edilen bilgilerin kulak küpesi modellerine aktarılmasıyla (cihazlar arası öğrenme), kulak küpesi tabanlı sistemlerin performansının 0,844 MCC değerine kadar yükseltilmesidir. Davranış bazlı incelemede; otlama eylemi %94,4, geviş getirme %87,8 ve dinlenme %79,6 doğruluk oranları ile en başarılı şekilde ayırt edilen sınıflar olmuştur. Buna karşın, kulakların vücuttan bağımsız hareket yapısı nedeniyle yürüme ve diğer karmaşık davranışların sınıflandırılmasında nispeten daha düşük performans kaydedilmiştir.", "source": "Only_tez.pdf:p15"}
{"id": "c0022", "text": "Sonuç olarak, önerilen yöntemle kulak küpesi gibi pratik ve düşük maliyetli d onanımların, boyun tasmalarına yakın bir hassasiyetle kullanılabileceği kanıtlanmıştır. Hollevoet vd. (2024), keçilerin boynuna takılan IMU sensöründen elde edilen verilerle aktiviteleri 7 farklı davranış olarak sınıflandırmak amacıyla MLP, CNN, hibrit CNN, Destek Vektör Makinesi (SVM, Support Vector Machine) ve Rastgele Orman (RF, Random For est) modellerini karşılaştırmalı olarak değerlendirmiştir. Yönelimden bağımsız veri dönüşümlerinin sınıflandırma doğruluğuna etkisi incelenmiş ve çapraz doğrulama protokolü uygulanmıştır. CNN tabanlı modeller, özellikle geçişli davranışlarda (örn. durma -yürüme) diğer algoritmalara kıyasla daha yüksek F1 skoru elde etmiştir.", "source": "Only_tez.pdf:p15"}
{"id": "c0023", "text": "Liu vd. (2023), sığırların boynuna takılı IMU sensorlerinden alınan verilerden 7 davranışı FCANN ile sınıflandırmıştır. 64 ve 128 örneklik pencere boyutları ile 6 eksenli (ivmeölçer + jiroskop)", "source": "Only_tez.pdf:p15"}
{"id": "c0024", "text": "ve 9 eksenli (ivmeölçer + jiroskop + manyetometre) veri konfigürasyonları karşılaştırılmıştır. En yüksek doğruluk (%83,75) 128 örneklik pencere ile 9 eksenli veride elde edilmiş; 6 eksenli veri ise %81,2 doğruluk sağlamıştır. Yazarlar, 128 örneklik pencere nin (10 Hz'de 12,8 saniye) çoğu hayvancılık davranışı için optimal olduğunu sunulmuştur. Marcato vd. (2023), köpeklerin vücut postürünü IMU verilerinden tahmin etmek amacıyla Zaman Serisi Öznitelik Çıkarımı Kütüphanesi (TSFEL, Time Series Feature Extraction Library) kütüphanesini kullanarak spektral, zamansal ve istatistiksel alanlarda toplam 185 öznitelik çıkarmış; %50 örtüşmeli kayar pencereler ve Varyans Analizi (ANOVA, Analysis of Variance) tabanlı bir yaklaşım tercih edilmiştir.", "source": "Only_tez.pdf:p16"}
{"id": "c0025", "text": "Geliştirilen sistem köpek postürlerini sınıflandırmada önceki çalışmalardan daha yüksek bir başarı sergilediği s aptanmıştır. Özellikle 'Classifier 3' olarak adlandırılan ve azınlık sınıfı olan 'vücut sallama' davranışını saptamak için Isolation Forest ile diğer dört postürü (yatma, oturma, ayakta durma, yürüme) ayırt eden RF algoritmalarını birleştiren kademeli mima ri; 0,83 F1 makro ve 0,91 ortalama g -mean skorlarına ulaşmıştır. Öznitelik önemi değerlendirmelerinde, istatistiksel ve zamansal özniteliklerin spektral özniteliklere göre daha ayırt edici olduğu; sensör konumu açısından ise sırt ve göğüs bölgelerine yerle ştirilen IMU’ların, boyun bölgesindeki sensöre kıyasla model performansına yüksek katkı sağladığı belirlenmiştir.", "source": "Only_tez.pdf:p16"}
{"id": "c0026", "text": "Ayrıca, ivmeölçer verilerinin jiroskop verilerinden daha kritik bir rol oynadığı gözlemlenmiş; bu bulgular ışığında çalışma, görev köpeklerinin takibinde göğüs ve sırt koşum takımlarına entegre edilen sensör sistemlerinin kullanılmasını önermiştir. Russel ve Arivazhagan (2024), sığır davranışlarını ivmeölçer verisinden çözmek için CNN, LSTM ve hibrit CNN-LSTM mimarilerini karşılaştırmıştır. Hibrit CNN-LSTM modelinin, zamansal ve uzamsal örüntüleri aynı anda yakalayabilmesi sayesinde en yüksek F1 skor una ulaştığı gösterilmiştir. Nadir davranışlarda (su içme, baş sallama gibi) düşük geri çağırma (recall) oranları sunulmuştur; çalışmanın, Gradyan Cezalı Wasserstein Üretici Çekişmeli Ağ (WGAN -GP, Wasserstein Generative Adversarial Network with Gradient Pe nalty) tabanlı azınlık sınıf aşırı örneklemesi yaklaşımını desteklemiştir.", "source": "Only_tez.pdf:p16"}
{"id": "c0027", "text": "2.2. Makine Öğrenmesi ve Derin Öğrenme Mimarileri Hayvan davranışlarının IMU verileriyle tanımlanması, basit bir sınıflandırma işleminin ötesinde, verideki zamansal değişimlerin analiz edildiği bir zaman serisi görevidir. Walton vd. (2018), koyunların yatma, ayakta durma ve yürüme davranışlarını sınıflandırmak amacıyla üç eksenli ivmeölçer ve jiroskop verisinden 44 istatistiksel özellik çıkarmıştır. Söz konusu çalışmada, farklı örnekleme frekansları (8, 16 ve 32 Hz) ve pencere boyutları (3, 5 ve 7 saniye) sistematik biçimde karşılaştırılmıştır. Geliştirilen RF modelinde, 32 Hz örnekleme ve 7 saniyelik pencereyle %95 genel doğruluk ve %91–97 aralığında F1 skoru elde edilmiştir. Düşük örnekleme frekanslarında (16 Hz) doğruluk %91–93 aralığına", "source": "Only_tez.pdf:p16"}
{"id": "c0028", "text": "gerilemiştir. Söz konusu bulgular örnekleme parametrelerinin sınıflandırma başarısı üzerindeki belirleyici etkisini somutlaştırmış ve el ile tasarlanmış analitik özelliklerin sınırlılıklarına işaret etmiştir. Benzer bir metodolojik yaklaşımı benimseyen Mansbridge vd. (2018), koyunların otlama (grazing), geviş getirme (rumination) ve beslenme dışı (non-eating) davranışlarını ivmeölçer verileriyle sınıflamak için 44 istatistiksel özellik çıkarmış ve SVM ile RF al goritmalarını karşılaştırmıştır. SVM yalnızca %73 doğruluk sağlarken RF %92 doğrulukla belirgin bir üstünlük göstermiştir. Pan vd. (2023), emzirme dönemindeki domuzların kulağına takılan IMU sensörlerinden (ivmeölçer + jiroskop, 20 Hz) elde edilen 6 kanallı veriyi 40×6 boyutlu eylem görüntülerine dönüştürmüş ve dört farklı CNN mimarisini karşılaştırmıştır.", "source": "Only_tez.pdf:p17"}
{"id": "c0029", "text": "Uyku, emzirme, yatma, yeme, su içme ve hareket olmak üzere 6 davranış sınıflandırılmış; en başarılı mimari Tek Kanallı Zamansal Evrişimsel Sinir Ağı (OCT-CNN, One Channel Temporal Convolutional Neural Network), %87,33 test doğruluğu ve %87,34 F1 skoru ile öne çıkmıştır. Wang vd. (2023), dört farklı sığır veri kümesinde (Arm18, Lan19, Arm20c, Arm20e) LSTM ve Kapılı Yinelemeli Birim (GRU, Gated Recurrent Unit) tabanlı tekrarlayan sinir ağı mimarilerini sistematik biçimde karşılaştırmıştır. Performans ölçütü olarak dengesiz sınıf dağılımlarına uygun MCC seçilmiştir. En yüksek MCC değerleri bi-GRU-2-128 modelinden elde edilmiş; Arm18 veri kümesinde 0,910'a ulaşılmıştır. Aynı konfigürasyonda bi -LSTM-2-128 modeli 0,891 MCC skoru üretmiştir.", "source": "Only_tez.pdf:p17"}
{"id": "c0030", "text": "CNN tabanlı referans modeller arasında ResNet 0,907, Tam Bağlı Yapay Sinir Ağı (FC -ANN, Fully Connected Artificial Neural Network) ise 0,880 MCC değeri göstermiştir. GRU tabanlı modellerin LSTM tabanlı modellere kıyasla genel olarak daha yüksek sınıflandırma başarısı sağladığı sunulmuştur. Hernández vd. (2024), sığırların davranışlarını tahmin etmek amacıyla boyun tasmasına entegre edilmiş IMU, konum ve sıcaklık sensörlerinden oluşan bir sistem tasarlamıştır. Çalışmada, 17.6 Hz frekansında toplanan ivmeölçer ve jiroskop verilerinden istatist iksel öznitelikler çıkarılmış; özellikle dinamik hareketlerin analizinde standart sapma değerinin en yüksek bilgi içeriğini sağladığı saptanmıştır. Modelin, eğitim kümesinde hiç yer almayan yeni sığırlar üzerindeki genelleme yeteneğini tarafsız bir şekilde ölçmek için Birisini Dışarıda Bırak (LOGO, Leave One Group Out) çapraz doğrulama tekniği kullanılmıştır.", "source": "Only_tez.pdf:p17"}
{"id": "c0031", "text": "Farklı makine öğrenmesi algoritmalarının test edildiği analizler sonucunda; dört sınıflı genel davranış (otlama, geviş getirme, yürüme, nötr) tahmininde %57, iki sınıflı postür (ayakta durma, yatma) tahmininde ise %85 doğruluk (accuracy) oranına ulaşılmıştır. Çalışma verileri, sensör tabanlı davranış sınıflandırmasında karar ağacı tabanlı topluluk modellerinin (özellikle RF ve Gradient Boosting) ile SVM en istikrarlı ve başarılı sonuçları verdiğini kanıtlamıştır. 2.3. Transfer Öğrenme, Alan Adaptasyonu (DA, Domain Adaptation) ve Öz-Eğitim Makine öğrenmesinin temel varsayımlarından biri, eğitim ve test verilerinin aynı dağılımdan örneklenmesidir; başka bir deyişle örneklerin bağımsız ve özdeş dağılımlı olduğu kabul edilmektedir.", "source": "Only_tez.pdf:p17"}
{"id": "c0032", "text": "süreçleri doğası gereği yüksek çeşitlilik barındırmaktadır. Farklı türler (köpek veya keçi), çeşitli sensör konumları (boyun ya da sırt), değişen çiftlik koşulları (kapalı ahır ile açık mera) ve ırk boyutları veri yapısını doğrudan etkilemektedir. Böylesi senaryolarda kaynak alanda eğitilen ağın hedef alanda düşük performans sergilemesi beklenen bir sonuçtur; çünkü sistem, alan kayması adı verilen probleme maruz kalır. Alan kayması problemini çözmek için kullanılan transfer öğrenme ve DA yaklaşımları, bir modelin öğrendiği bilgileri yeni ve benzer bir alana taşımasına olanak tanır. DANN gibi çekişmeli öğrenme temelli ağlar, hedef alanda etiketli veriye ihtiyaç duymadan alan -bağımsız (domain-invariant) özelliklerin öğrenilmesini sağlar.", "source": "Only_tez.pdf:p18"}
{"id": "c0033", "text": "DA’ sürecini daha da güçlendirmek için sözde-etiketleme (pseudo-labeling) ve öz-eğitim (self- training) stratejileri devreye girer. Bu yaklaşımda, modelin hedef alan üzerinde elde ettiği güvenilir tahminler sözde -etiket olarak kabul edilir ve eğitim sürecin e dahil edilir. Bu sayede sınıflar arası karışıklık azalır ve model karar sınırlarını verinin hedef alandaki gerçek dağılımına doğru çeker. Alan kayması problemini çözmek için kullanılan transfer öğrenme yaklaşımı, bir modelin öğrendiği bilgileri yeni ve benzer bir alana taşımasına olanak tanır. Kaynak alanda öğrenilen öznitelik temsilleri hedef alanın veri dağılımına uyarlanarak sınıflandırma başarımı artırılır. Bloch vd. (2023), bu yaklaşımı süt sığırlarına uygulamış; ön eğitimli bir CNN mimarisine ince ayar uygulayarak kısıtlı etiketli veri koşullarında sıfırdan eğitime kıyasla belirgin üstünlük elde etmiş ve %93,9 F1 skoru bildirmiştir.", "source": "Only_tez.pdf:p18"}
{"id": "c0034", "text": "Ahn vd. (2023), köpek ve at hareket sensörü verilerini kullanarak denetimsiz DA tekniklerinin hayvan aktivite tanımadaki etkisini kapsamlı biçimde incelemiştir. Çalışmada ıraksama minimizasyonuna dayalı Derin Adaptasyon Ağı (DAN - Deep Adaptation Network), çekişmeli eğitim tabanlı DANN ve yeniden yapılandırma tabanlı Derin Yeniden Yapılandırma -Sınıflandırma Ağı (DRCN, Deep Reconstruction -Classification Network); sensör konumu, cinsiyet ve tür değişkenliği kaynaklı alan kaymalarında sistematik biçimde karşıl aştırılmıştır. Sensör konumu uyarlamasında (sırt↔boyun) DAN en yüksek başarımı gösterirken, büyük alan kaymalarının söz konusu olduğu türler arası transferde DANN belirgin biçimde öne çıkmıştır.", "source": "Only_tez.pdf:p18"}
{"id": "c0035", "text": "Köpek → At yönünde F1 skoru %50,33'ten %65,78'e (+%15,45), At → Köpek yönünde ise %76,13'ten %85,58'e (+%9,45) yükselmiştir. At → Köpek transferinin hem başlangıç hem de bitiş değerlerinin daha yüksek olması, hedef türün veri çeşitliliğinin adaptasyon başarımını doğrudan etkilediğini göstermekte; aynı zamanda büyük alan kaymalarının giderilmesinde çekişmeli eğitimin üstünlüğünü doğrulamaktadır. Mao vd. (2024) tarafından önerilen Çapraz -Tür Bilgi Paylaşımı ve Koruma (CKSP - Cross-Species Knowledge Sharing and Preservation) çerçevesi, her tür için ayrı model eğiten geleneksel yaklaşımın aksine tek bir modelin birden fazla türü eş zamanlı öğrenebil diği \"tek model çok tür\" mimarisini benimsemiştir.", "source": "Only_tez.pdf:p18"}
{"id": "c0036", "text": "Çerçeve iki modülden oluşmaktadır: Türler Arası Paylaşımlı Evrişim (SPConv, Species- shared Pattern Convolution), türler arası paylaşılan örüntüleri tam sıralı konvolüsyon katmanıyla, türe özgü ince ayrımları ise düşük sıralı katmanlarla ayrı ayrı kodlar; Türe Özel Yığın Normalizasyonu (SBN - Species-specific Batch Normalization) ise her türün farklı veri dağılımını türe özel Batch Normalization katmanlarıyla normalleştirir. At, koyun ve sığır veri kümeleri üzerinde gerçekleştirilen", "source": "Only_tez.pdf:p18"}
{"id": "c0037", "text": "deneylerde tek -tür taban modeline kıyasla F1 skorunda sırasıyla %10,33, %3,67 ve %7,90 artış sağlanmış; nihai F1 skor değerleri %96,02, %86,79 ve %88,40 olarak bildirilmiştir. Ablasyon çalışması, SBN modülünün kaldırılmasının başarımı belirgin biçimde düşü rdüğünü ortaya koymuş; bu bulgu, türler arası veri birleştirmenin tek başına yeterli olmadığını ve dağılım uyumunun ayrıca ele alınması gerektiğini göstermektedir. Lee vd. (2023), Holstein ineklerinin bireysel tanımlanmasında 0,999 gibi son derece yüksek bir güven eşiği (confidence threshold) uygulayarak etiket gürültüsünü kısıtlayan bir sözde etiketleme stratejisi önermiştir. Bu yaklaşım, denetimli taban çizgisine k ıyasla doğruluğu 20,4 puan artırmış ve modelin 59 hayvanlık sürüde %92,7 doğruluğa ulaşmasını sağlamıştır.", "source": "Only_tez.pdf:p19"}
{"id": "c0038", "text": "Söz konusu bulgular, güven eşiği tasarımının sözde etiket kalitesi ve model genellemesi üzerindeki belirleyici etkisini ortaya koymakta; hayvan odakl ı tanıma görevlerinde eşik seçiminin dikkatli biçimde ele alınması gerektiğine işaret etmektedir. Lee vd. (2025), domuzculuk ortamlarındaki alan kaymasını gidermek amacıyla Tekli Hedef Etiket (SLOT, Single Labeled Target) tabanlı öz -eğitim sistemi geliştirmiştir. Mevcut yöntemlerin aksine süper düşük eşik stratejisi benimsenerek düşük güvenli tahminler de eğitime dahil edilmiş; Genetik Algoritma Tabanlı Veri Artırma Arama (DAS, Data Augmentation Search) modülüyle veri çeşitliliği artırılmış ve ortalama kesinlik değeri 36,86'dan 90,62'ye taşınmıştır.", "source": "Only_tez.pdf:p19"}
{"id": "c0039", "text": "SLOT'un yalnızca tek etiketli hedef örnekten tutarlı ö z-eğitim yapabilmesi, kısıtlı etiketli IMU veri kümelerinde doğrudan uyarlanabilir bir çerçeve sunmaktadır. Qiao vd. (2022), akıllı hayvancılıkta sığır video segmentasyonu için tek çekim öğrenme (one - shot learning) ile sözde etiketleme modülünü birleştiren Xception -FCN mimarisini geliştirmiştir. Yalnızca tek bir etiketli kareden hareketle etiketsiz kareler itera tif biçimde otomatik etiketlenmiş ve model güncellenmiş; %88,7 Ortalama Kesişim-Birleşim (mIoU, Mean Intersection over Union) oranına ulaşılmıştır. Son derece kısıtlı etiketli veriden başlayan iteratif sözde etiketleme döngüsünün hayvancılık veri kümelerin e uygulanabilirliğini kanıtlayan bu çalışma, IMU tabanlı öz -eğitim senaryoları için metodolojik bir referans sunmaktadır.", "source": "Only_tez.pdf:p19"}
{"id": "c0040", "text": "Literatürdeki gelişmelere toplu bir perspektif sunmak amacıyla, Tablo 2.1'de son yıllardaki (2018–2026) öne çıkan çalışmaların performans parametreleri karşılaştırmalı olarak verilmiştir: Tablo 2.1. Son yıllardaki (2018-2026) önemli çalışmaların performans karşılaştırması Çalışma Yıl Tür Model Mimarisi Performans Transfer Öğrenme Çoklu Etiket Ahn vd. 2023 Köpek → At DANN +%15,45 (F1 skor Artışı) Evet Hayır Arablouei vd. 2024 Sığır IIR + FIR + MLP 0,857 (MCC) Hayır Hayır", "source": "Only_tez.pdf:p19"}
{"id": "c0041", "text": "Bloch vd. 2023 Sığır CNN + İnce Ayar %93,9 (F1 skor) Evet Hayır Hernández vd. 2024 Sığır RF %85 (Postür) Hayır Hayır Hollevoet vd. 2024 Keçi hCNN / MLP %94,3–94,4 (Doğruluk) Hayır Hayır Hussain vd. 2022 Köpek 1D-CNN %96,85 (Doğruluk) Hayır Hayır Liu vd. 2023 Sığır FCANN %83,75 (Doğruluk) Hayır Hayır Mansbridge vd. 2018 Koyun RF / SVM %92 (Doğruluk) Hayır Hayır Mao vd. 2021 At Çapraz-Modalite Ağı %89 (Doğruluk) Hayır Hayır Mao vd. 2024 At/Koyun/ Sığır Paylaşımlı CNN +%3,67–10,33 (F1 skor Artışı) Evet Hayır Marcato vd. 2023 Köpek Hiyerarşik RF 0,83 (F1 skor) Hayır Hayır Pan vd. 2023 Domuz CNN (OCT) %87,33 (Doğruluk) Hayır Hayır Qiao vd. 2022 Sığır Xception-FCN Sözde Etiket %88,7 (mIoU) Hayır Hayır Russel vd.", "source": "Only_tez.pdf:p20"}
{"id": "c0042", "text": "2024 Sığır CNN-LSTM %98,7 (Doğruluk) Hayır Hayır Sakai vd. 2019 Keçi Karar Ağacı %87 (Doğruluk) Hayır Hayır Serra Bragança vd. 2020 At FC-ANN / bi-LSTM %96,7 (Doğruluk) Hayır Hayır Walton vd. 2018 Koyun Rastgele Orman (RF) %95 (Doğruluk) Hayır Hayır Wang vd. 2023 Sığır bi-GRU-2-128 0,910 (MCC) Hayır Hayır Bu Çalışma 2025 Köpek↔K eçi↔At DANN + PST Bölüm 4'te sunulmuştur Evet Evet 2.4. Sınıf Dengesizliği ve GAN Tabanlı Veri Artırma Giyilebilir IMU sensörleri ile toplanan hayvan davranış verilerinde sınıf dengesizliği gözlemlenir: otlama gibi baskın davranışlar verinin büyük çoğunluğunu oluştururken oturma, silkelenme veya sosyal etkileşim gibi nadir davranışlara ait örnek sayısı oldu kça kısıtlı kalır.", "source": "Only_tez.pdf:p20"}
{"id": "c0043", "text": "dengesizlik modelin çoğunluk sınıfına aşırı uyum sağlamasına ve azınlık sınıflarında F1 skorlarının düşmesine neden olur. Sakai vd. (2019), 9 -eksen IMU verisiyle keçilerin 9 davranış sınıfını tanımladıkları çalışmalarında sınıf dengesizliğinin performans üzerindeki etkisini ölçmüştür. Dengeleme yapılmadan çalıştırılan SVM, RF ve kNN modelleri Makro F1 skor değeri ~0,60’da kal mış; Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE, Synthetic Minority Over -sampling Technique) ve ağırlıklı kayıp işlevi birlikte uygulandığında bu değer ~0,80’e yükselmiştir. Bu yirmi puanlık fark, sınıf dengelemenin sınıflandırma başarısına etkisini d oğrudan göstermekte ve bu çalışmanın Çok Etiketli Sentetik Azınlık Aşırı Örnekleme Tekniği (MLSMOTE, Multi -Label Synthetic Minority Over-sampling Technique) ile Conditional Wasserstein Koşullu Gradyan Cezalı Wasserstein Üretici Çekişmeli Ağ (cWGAN -GP, Generative Adversarial Network with Gradient Penalty) kullanımını gerekçelendirmektedir.", "source": "Only_tez.pdf:p21"}
{"id": "c0044", "text": "Mao vd. (2021), IMU ve Küresel Konumlandırma Sistemi (GPS, Global Positioning System) verilerini birleştirerek atların 7 aktivite sınıfını tanımladıkları çalışmalarında sınıf dengesizliğinin doğrudan ele alınması gerektiğini göstermiştir. Çapraz -modalite d ikkat ağına eklenen örtük sınıf dengeleme mekanizması, taban çizgisine kıyasla Makro F1 skoru da 12 puanlık artış sağlamış ve genel doğruluğu %89’a taşımıştır. Russel ve Selvaraj (2024), ivmeölçer verisiyle sığır davranışlarını sınıflandırmak için veri artırma ve ön işleme aşamalarını içeren 23 katmanlı evrişimli sinir ağı mimarisi geliştirmiştir. Otlama, yatma ve yürüme dahil çeşitli davranışları kapsayan üç farklı veri kümesinde sırasıyla %96,72, %87,15 ve %98,70 doğruluk elde edilmiştir.", "source": "Only_tez.pdf:p21"}
{"id": "c0045", "text": "3. MATERYAL VE YÖNTEM Bu bölüm, çalışmanın dayandığı veri kaynaklarını, uygulanan ön işleme adımlarını ve geliştirilen model mimarisini sunmaktadır. İlk olarak köpek, keçi ve at türlerine ait açık kaynaklı IMU sensör veri kümeleri tanıtılmıştır. Ardından bu ham veri kümelerini ortak bir yapıda toplayan altı sınıflı davranış ontolojisi sunulmuş ve bu yapının geçerliliğinin veriler üzerinden nasıl doğrulandığı açıklanmıştır. Ön işleme kapsamında iki geçişli kayan pencere segmentasyonu, hayvan bazlı eğitim-test bölmesi, etiket kaps am garantisi ve türe özgü gürültü temizleme stratejileri ele alınmıştır. Sonraki bölümler öznitelik mühendisliği, boyut indirgeme ve sınıf dengesizliği yönetimini ele almaktadır.", "source": "Only_tez.pdf:p22"}
{"id": "c0046", "text": "Sınıf dengesizliğinde geometrik ortalama tabanlı adaptif dengeleme, cWGAN-GP ve MLSMOTE yöntemleri uygulanmıştır. Son olarak dört derin öğrenme mimarisi, üç aşamalı eğitim protokolü (Aktarımlı Öğrenme (TL, Transfer Learning), DANN, Dinamik Sözde Öz -Eğitim (D-PST, Dynamic Pseudo Self- Training)) ve değerlendirme metrikleri aktarılmıştır.Sistemin genel akışı Şekil 3.1'de gösterilmiştir. Bu çalışmada türler arası etiket yapısı uyumsuzluğunu çözmek için Çift Başlıklı Sınıflandırma Mekanizması (Dual-Head) önerilmiştir. Köpek veri kümesi çok etiketli, keçi ve at veri kümeleri ise tek etiketli olduğundan standart DANN mimarisinin tek başlıklı yapısının yeterli olmadığı tespit edilmiştir. Önerilen mimarinin ayrıntıları Bölüm 3.4.2'de açıklanmıştır.", "source": "Only_tez.pdf:p22"}
{"id": "c0047", "text": "3.1. Veri Kümeleri Türler arası transfer öğrenimini incelemek amacıyla köpek, keçi ve at olmak üzere üç farklı hayvan türüne ait açık kaynaklı veri kümesi seçilmiştir. Bu üç tür yürüme, koşma, durma, yeme, silkelenme gibi temel lokomotor davranışları paylaşır. Vücut boyutu açısından köpek 13–41 kg, at 300– 600 kg aralığındadır. Keçi ise küçük Pygmy ırklarından büyük çiftlik keçilerine kadar geniş bir aralık kapsar. Sensör yerleşimi türler arasında farklılaşır: köpekte boyun tasması ve sırt kayışı, keçi ve atta ise boyun bölges i tercih edilmiştir. Köpek verisi kontrollü bir spor salonu ortamında, keçi verisi çiftlik koşullarında, at verisi ise binicilik tesisi ve açık otlak ortamında toplanmıştır.", "source": "Only_tez.pdf:p24"}
{"id": "c0048", "text": "Köpek veri kümesi çok etiketli bir biçimdedir. ve bir zaman diliminde birden fazla davranış eş zamanlı aktif olabilir. Keçi ve at veri kümeleri ise tek etiketli biçimdedir. Her üç veri kümesi sırasıyla kaynak alan ve hedef alan olarak kullanılmıştır. Altı farklı kaynak- hedef çifti üzerinde karşılaştırmalı deneyler yürütülmüştür. Veri kümelerinin ortak teknik özelliği, hareket sinyallerinin giyilebilir IMU sensörleri ile kayde dilmiş olmasıdır. Her sensör 3 eksenli ivmeölçer ve 3 eksenli jiroskop içerir. Örnekleme frekansı üç veri kümesinde de 100 Hz'dir. At sensöründe manyetometre kanalı da bulunmakla birlikte, türler arası tutarlılığı korumak amacıyla yalnızca ivmeölçer ve jiroskop kanalları (toplam 6 kanal) kullanılmıştır.", "source": "Only_tez.pdf:p24"}
{"id": "c0049", "text": "3.1.1. Veri kümesi: Köpek Kumpulainen vd. (2021) tarafından derlenen veri kümesi, 27 farklı ırktan toplam 45 köpeği kapsar. Köpeklerin ortalama yaşı 4,9 (aralık 1 -9), ortalama ağırlığı 24,5 kg'dır (aralık 13 -41). Kayıtlar 10m × 18m boyutlarında suni çimli bir köpek spor salonunda kontrollü koşullar altında alınmıştır. Sensörler her köpekte iki konuma yerleştirilmiştir: ActiGraph GT9X Link cihazlarından biri sırt kayışının iç tarafındaki neopren cebe, diğeri boyun tasmasının ventral yüzüne yapışkan bant ile sabitlenmiştir. Bu çalışmada yalnız boyun sensörü kullanılmıştır; bu tercih keçi (Kamminga vd., 2018) ve at (Kamminga vd., 2019) veri kümelerinin de boyun tasmasındaki sensörden alınması nedeniyle yapılmıştır.", "source": "Only_tez.pdf:p24"}
{"id": "c0050", "text": "Üç veri kümesi arasında sensör konum tutarlılığını korumak tra nsfer öğrenmenin sensör yerleşim farkından kaynaklanan dağılım kaymasından bağımsız olarak değerlendirilmesini sağlamaktadır. Her sensör 3 eksen ivmeölçer ve 3 eksen jiroskop içermektedir. Örnekleme frekansı 100 Hz'dir. Bu çalışmada kullanılan boyun sensörünün kanal listesi , türkçe karşılığı ve açıklamaları Tablo 3.1'de gösterilmiştir. Etiket bilgisi her kayıt satırında Behavior_1, Behavior_2 ve Behavior_3 olmak üzere üç paralel sütunda tutulmaktadır. Bu yapı, aynı zaman diliminde eş zamanlı gözlenen birden fazla davranışı (örn. yürüme + koklama) ifade etmek üzere tasarlanmıştır. Pencere leme adımında bu üç sütun birleştirilerek ortak ontolojideki altı davranış sınıfı için çoklu -etiket ikili vektör üretilmiştir.", "source": "Only_tez.pdf:p24"}
{"id": "c0051", "text": "Vektörün her elemanı [Eating, Shaking, Standing, Trotting, Walking, Running] sırasıyla 0 (yok) veya 1 (var) değerini alır.", "source": "Only_tez.pdf:p24"}
{"id": "c0052", "text": "Örneğin [0, 0, 1, 0, 1, 0] aynı pencerede Standing ve Walking davranışlarının eş zamanlı gözlendiğini gösterir. Bu çalışmada kullanılan altı sınıflı ontoloji eşlemesi Tablo 3.2'de sunulmuştur. Tablo 3.1. Köpek Veri Kümesi Sensör Girdileri Kolon Adı Türkçe Karşılığı Açıklama ANeck_x Boyun İvmeölçer X ekseni Boyun sensöründen alınan doğrusal ivmenin X bileşeni ANeck_y Boyun İvmeölçer Y ekseni Boyun sensöründen alınan doğrusal ivmenin Y bileşeni ANeck_z Boyun İvmeölçer Z ekseni Boyun sensöründen alınan doğrusal ivmenin Z bileşeni GNeck_x Boyun Jiroskop X ekseni Boyun sensöründen alınan açısal hızın X bileşeni GNeck_y Boyun Jiroskop Y ekseni Boyun sensöründen alınan açısal hızın Y bileşeni GNeck_z Boyun Jiroskop Z ekseni Boyun sensöründen alınan açısal hızın Z bileşeni Tablo 3.2.", "source": "Only_tez.pdf:p25"}
{"id": "c0053", "text": "Köpek Veri kümesi Davranış Sınıf Dağılımı Hedef Sınıf Kapsanan Ham Etiketler Ham Veri Satır Sayısı Ham Veri Oranı (%) Sınıf Toplam Oranı (%) Eating (Yeme) Eating (Yeme) Drinking (İçme) 312.806 64.721 3,2 0,7 3,9 Shaking (Silkelenme) Shaking (Silkelenme) 42.179 0,4 0,4 Standing (Ayakta Durma) Panting (Nefes Nefese Kalma) Lying chest (Göğüs Üstü Yatış) Sitting (Oturma) Standing (Ayakta Durma) 1.777.641 1.129.902 1.120.116 1.027.710 18,2 11,6 11,5 10,5 51,8 Trotting (Tırıs Gitme) Trotting (Tırıs Gitme) 773.879 7,9 7,9 Walking (Yürüme) Sniffing (Koklama) Walking (Koklama) Carrying object (Nesne Taşıma) Pacing (Adımlama) Synchronization (Senkronizasyon) Extra_Synchronization (Ekstra Senkronizasyon) 1.026.178 783.035 145.859 78.599 16.755 10,5 8,0 1,5 0,8 0,2 0,0 21,0 Running (Koşma) Galloping (Dörtnala Koşma) Jumping (Zıplama) 174.926 42.076 1,8 0,4 2,2", "source": "Only_tez.pdf:p25"}
{"id": "c0054", "text": "Dışarda Bırakılan Etiketler Playing (Oyun Oynama) Tugging (Çekiştirme) Bowing (Oyun Eğilmesi) 937.026 297.102 1.540 9,6 3,0 0,0 12,7 TOPLAM 19 Farklı Etiket 9.752.337 100,0 3.1.2. Veri kümesi: Keçi Kamminga vd. (2018) tarafından derlenen veri kümesi, Hollanda'daki iki çiftlikte yürütülen kayıtlardan elde edilmiştir. Çalışmada keçi seçimi araştırma motivasyonuna dayanmaktadır: keçi, Bovidae ailesinde antilop ve gnu gibi vahşi türleri temsil eden bir hayvandır ve yöntemin başka türl ere uyarlanabilirliğini değerlendirmek için elverişlidir. Veri beş keçiden (üç küçük Pygmy keçisi ve iki büyük çiftlik keçisi) toplanmıştır. Kayıtlar 7 gün boyunca, günde iki adet yaklaşık 4 saatlik dönem (08:00 –17:00 arası) süresince alınmıştır.", "source": "Only_tez.pdf:p26"}
{"id": "c0055", "text": "Her keçinin boyun tasması üzerine altı sensör altı farklı yönelimde yerleştirilmiştir; bu yerleşim yönelim -bağımsız öznitelik seçimi araştırmasına yöneliktir. Sensörler arası senkronizasyon 100 nanosaniyeden daha hassas tutulmuştur. Bu çalışmada her sensör konumu bağımsız bir gözlem olarak değerlendirilmiştir; böylece beş keçi × altı yönelim toplam 30 bağımsız sensör kaydına karşılık gelmektedir. Sensör olarak ProMove -mini (Inertia Technology) cihazları kullanılmıştır. Her sensör 3 eksen ivmeölçer ve 3 eksen jiroskop içermektedir. Örnekleme frekansı 100 Hz'dir. Ham veri kümesinde sensör kanalları küçük harfli ax, ay, az (ivmeölçer) ve gx, gy, gz (j iroskop) biçiminde isimlendirilmiştir. Bu çalışmada kullanılan sensör kanallarının tam listesi , türkçe karşılığı ve açıklamaları Tablo 3.", "source": "Only_tez.pdf:p26"}
{"id": "c0056", "text": "3'te gösterilmiştir. Orijinal çalışmada pencereleme 2 saniye uzunluk ve %50 örtüşme ile yapılmıştır. Keçi veri kümesinde her zaman dilimine yalnız tek bir davranış etiketi atanmıştır. Etiket bilgisi her kayıt satırında label adlı tek bir sütunda tutulmaktadır. Aynı zaman diliminde birden fazla davranış eş zamanlı gözlendiğinde, baskın olan davranış etiketlenmiştir; örneğin yürürken yiyen bir hayvan walking olarak işaretlenmiştir. Orijinal çalışmada 16 farklı davranış etiketi tanımlanmıştır. Bu çalışmada kullanılan altı sınıflı ontoloji eşlemesi Tablo 3.4'de sunulmuştur. Tablo 3.3. Keçi Veri Kümesi Girdileri Kolon Adı Türkçe Karşılığı Açıklama ax Boyun İvmeölçer X ekseni Boyun sensöründen alınan doğrusal ivmenin X bileşeni ay Boyun İvmeölçer Y ekseni Boyun sensöründen alınan doğrusal ivmenin Y bileşeni az Boyun İvmeölçer Z ekseni Boyun sensöründen alınan doğrusal ivmenin Z bileşeni gx Boyun Jiroskop X ekseni Boyun sensöründen alınan açısal hızın X bileşeni gy Boyun Jiroskop Y ekseni Boyun sensöründen alınan açısal hızın Y bileşeni", "source": "Only_tez.pdf:p26"}
{"id": "c0057", "text": "gz Boyun Jiroskop Z ekseni Boyun sensöründen alınan açısal hızın Z bileşeni Tablo 3.4. Keçi Veri kümesi Davranış Sınıf Dağılımı Hedef Sınıf Kapsanan Ham Etiketler Ham Veri Satır Sayısı Ham Veri Oranı (%) Sınıf Toplam Oranı (%) Eating (Yeme) Eating (Yeme) Grazing (Otlama) Brest Feeding (Emzirme) 14.030.431 9.642.079 182.401 21,1 14,5 0,3 35,9 Shaking (Silkelenme) Scratch Biting (Isırarak Kaşınma) Shaking (Silkelenme) 460.255 104.681 0,7 0,2 0,8 Standing (Ayakta Durma) Standing (Ayakta Durma) Lying (Yatma) Standing Up (Ayağa Kalmak) Rubbing (Sürtünme) 24.739.602 1.028.064 170.352 120.800 37,2 1,5 0,3 0,2 39,2 Trotting (Tırıs gitme) Trotting Climbing Down (Aşağı Tırmanma) Climbing Up (Yukarı Tırmanma) 1.228.470 103.237 99.072 1,8 0,2 0,1 2,2 Walking (Yürüme) Walking (Yürüme) 12.801.506 19,2 19,2 Running (Koşma) Running (Koşma) 794.419 1,2 1,2 Dışarda Bırakılan Etiketler Food fight (Yemek Kavgası) Fighting (Kavga Etmek) 876.656 138.550 1,3 0,2 1,5 TOPLAM 16 Farklı Etiket 66.520.575 100,0 3.1.3.", "source": "Only_tez.pdf:p27"}
{"id": "c0058", "text": "Veri kümesi: At Kamminga vd. (2019) tarafından yayımlanan Horsing Around veri tabanı 18 binekten alınmıştır: 14 at ve 4 midilli. Sensör olarak Gulf Coast Data Concepts cihazları kullanılmıştır; her hayvanın boynuna tek sensör takılmıştır. Kayıtlar iki ortamda alınmıştır: binicilik tesisi paddock alanında binicili sürüş ve açık otlakta binicisiz hareket. Bu nedenle Walking, Trotting ve Galloping davranışları için Rider (binicili) ve Natural (doğal) varyantları ayrı etiketlenmiştir. Orijinal çalışmada sensör yönelimi sabitlenmemiştir. maç yönelim-bağımsız öznitelik seçimini sınamaktır. Her sensör 3 eksen ivmeölçer, 3 eksen jiroskop ve 3 eksen manyetometre içerir; bu çalışmada manyetometre kanalları, üç veri kümesi arasında kanal yapısını eşitlemek için", "source": "Only_tez.pdf:p27"}
{"id": "c0059", "text": "kullanılmamıştır. Örnekleme frekansı 100 Hz'dir. Bu çalışmada kullanılan sensör kanallarının tam listesi, türkçe karşılı ğı ve açıklamaları Tablo 3. 5'te gösterilmiştir.. Hayvan kimliği subject sütununda yer alır; bu çalışmadaki hayvan -bazlı train/test bölmesi bu sütuna göre yapılmıştır. Orijinal çalışmada pencereleme 2 saniye, %50 örtüşmeyle uygulanmıştır. At veri kümesi multi -class yapıdadır: her örnek tek bir davranış etiketi taşır. Etiket Label_1 sütununda yer alır. Ontoloji eşlemesi Tablo 3.6'te sunulmuştur. Tablo 3.5. Keçi Veri Kümesi Girdileri Kolon Adı Türkçe Karşılığı Açıklama ax Boyun İvmeölçer X ekseni Boyun sensöründen alınan doğrusal ivmenin X bileşeni ay Boyun İvmeölçer Y ekseni Boyun sensöründen alınan doğrusal ivmenin Y bileşeni az Boyun İvmeölçer Z ekseni Boyun sensöründen alınan doğrusal ivmenin Z bileşeni gx Boyun Jiroskop X ekseni Boyun sensöründen alınan açısal hızın X bileşeni gy Boyun Jiroskop Y ekseni Boyun sensöründen alınan açısal hızın Y bileşeni gz Boyun Jiroskop Z ekseni Boyun sensöründen alınan açısal hızın Z bileşeni Tablo 3.6.", "source": "Only_tez.pdf:p28"}
{"id": "c0060", "text": "At Veri kümesi Temel Davranış Sınıf Dağılımı Hedef Sınıf (6'lı) Kapsanan Ham Etiketler Ham Veri Satır Sayısı Ham Veri Oranı (%) Sınıf Toplam Oranı (%) Eating (Yeme) Grazing (Otlama) Eating (Yeme) 2.080.845 5.722 19,5 0,1 19,5 Shaking (Silkelenme) Head Shake (Baş Sallama) Scratch Biting (Isırarak Kaşınma) Shaking (Silkelenme) 116.223 35.953 3.963 1,1 0,3 0,0 1,5 Standing (Ayakta Durma) Standing (Ayakta Durma) Rubbing (Sürtünme) Scared (İrkilme) 622.421 5,8 0,0 0,0 5,8 Trotting (Tırıs gitme) Trotting Rider (Binicili Tırıs) Trotting Natural (Doğal Tırıs) 2.896.904 13.184 27,1 0,1 27,2 Walking (Yürüme) Walking Rider (Binicili Yürüme) Walking Natural (Doğal Yürüme) 4.002.101 433.653 37,4 4,1 41,5 Running (Koşma) Galloping Rider (Binicili Dörtnala) Galloping Natural (Doğal Dörtnala) Jumping (Zıplama) 448.734 12.945 2.525 4,2 0,1 0,0 4,3", "source": "Only_tez.pdf:p28"}
{"id": "c0061", "text": "Dışarda Bırakılan Etiketler Rolling (Yuvarlanma) Fighting (Kavga Etmek) 7.754 4.068 0,1 0,0 0,1 TOPLAM 17 Farklı Etiket 10.688.397 100,0 3.1.4. Davranış Ontolojisi ve Etiket Haritalama Farklı araştırma grupları tarafından derlenen üç veri kümesi sensör yapılandırması, etiketleme işlemi ve sınıf tanımları bakımından birbirinden ayrışmaktadır. Bu farklılıkları gidermek için bir veri standartlaştırma süreci tanımlanmıştır. Kullanılan veri kümelerinin teknik özellikleri ve sensör yapılandırmaları Tablo 3.7'te özetlenmiştir. Tablo 3.7.", "source": "Only_tez.pdf:p29"}
{"id": "c0062", "text": "Çalışmada Kullanılan Veri Kümelerinin Teknik Özellikleri Tür Köpek Keçi At Referans Kumpulainen vd. (2021) Kamminga vd. (2018) Kamminga vd. (2019) Birey Sayısı 45 (27 farklı ırk) 5 (3 Pygmy + 2 büyük) 18 (At ve Midilli) Sensör Tipi ActiGraph GT9X Link ProMove-mini (Inertia Tech.) Gulf Coast Data Concepts HAM Sensör Konumu Boyun Boyun Boyun Sensör Türü İvmeölçer + Jiroskop İvmeölçer + Jiroskop İvmeölçer + Jiroskop Veri Kümesi Girdileri ANeck_x..z, GNeck_x..z ax, ay, az, gx, gy, gz Ax, Ay, Az, Gx, Gy, Gz Veri Kümesi Çıktısı Davranış_1, Davranış _2, Davranış_3 Davranış Sınıfı Davranış Sınıfı Örnekleme Hızı 100 Hz 100 Hz 100 Hz Etiket Tipi Multi-Label (Çok Etiketli) Multi-Class (Tek Etiketli) Multi-Class (Tek Etiketli) Bu çalışmada tüm veri kümelerinden yalnızca 6 eksenli atalet verisi (3 eksen ivmeölçer ve 3 eksen jiroskop) kullanılmıştır.", "source": "Only_tez.pdf:p29"}
{"id": "c0063", "text": "Manyetometre verileri tüm veri kümelerinde ortak olmadığı ve manyetik bozulmalara duyarlı olduğu için çalışma dışı bırakılmıştır. Üç veri kümesinin orijinal yayınlarında sensör fiziksel yönelimi farklı biçimde ele alınmıştır. Kamminga vd. (2019), at veri kümesinde sensörlerin yönelimini sabitlememiş; bu seçim yönelim -", "source": "Only_tez.pdf:p29"}
{"id": "c0064", "text": "bağımsız sınıflandırma yöntemlerinin değerlendirilmesi amacına yöneliktir. Aynı araştırma grubu, keçi veri kümesinde yönelim -bağımsız öznitelik seçimini araştırmış ve her hayvana farklı yönelimde altı sensör eş zamanlı takmıştır (Kamminga vd., 2018). Köpek veri kümesi yayınında (Kumpulainen vd., 2021) sensör yönelimi doğrudan ele alınmamıştır. Orijinal veri kümesinde sırt ve boyun olmak üzere iki konumdan kayıt mevcuttur; bu çalışmada keçi ve at veri kümeleriyle sensör konum tutarlılığını korumak için yalnız boyun sensörü kullanılmıştır. Üç veri kümesi de aynı vücut bölgesinden (boyun) IMU verisi sağlamaktadır. Ancak farklı çalışmalarda sensörün fiziksel takılış yönü ve cihaz koordinat sistemi farklılaşabilmektedir; bu nedenle Ax, Ay, Az olarak adlandır ılan kanallar tür ve birey ölçeğinde aynı fiziksel eksene karşılık gelmeyebilir .", "source": "Only_tez.pdf:p30"}
{"id": "c0065", "text": "Bu çalışmada yönelim farkının etkisi dört dolaylı yolla azaltılmıştır: SMV tabanlı eksen -bağımsız öznitelikler (Bölüm 3.2.3, Tablo 3.6'daki sekiz SMV özniteliği), zaman ve frekans alanı istatistiklerinin rotasyona kısmi duyarsızlığı, PCA tabanlı dönüşüm ve DANN'ın alan-bağımsız özellik öğrenmesi. Bu yaklaşım, kaynak veri kümelerinin yönelim-bağımsız analiz amacıyla yayınlanmış olmasıyla tutarlıdır. Etiket şemaları veri kümeleri arasında tutarsızdır. Aynı beslenme davranışı bir veri kümesinde Eating (yeme), diğerinde Grazing (otlanma) olarak adlandırılabilir. Çiftlik hayvanları için davranış tanımı standartlaştırma çalışmaları (Zhou vd., 2025) ve sensör tabanlı sınıflandırma literatüründeki yaygın etiket şemaları (Riaboff vd., 2022; Kamminga vd., 2018) referans alınarak 6 temel davranış sınıfından oluşan bir ortak ontoloji geliştirilmiştir.", "source": "Only_tez.pdf:p30"}
{"id": "c0066", "text": "Üç veri kümesindeki özgün etiketler biyomekanik benzerlik ölçütüne göre bu ortak ontoloji ile eşleştirilmiştir. Eşleme sürecinde sensör sinyallerinin benzerliği temel ölçüt olarak kabul edilmiştir. Örneğin Drinking (su içme) ve Grazing (otlama) davranışları baş aşağı ritmik hareket içerdiklerinden tek sınıf (Eating) altında birleştirilmiştir. Türlerin davranış kalıpları bire bir örtüşmez. Otlama davranışı yalnızca keçi ve at veri kümelerinde mevcuttur. 6 sınıflı ortak ontoloji tüm türleri kapsayacak biçimde tasarlanmış, bir türde bulunmayan davranışlar için ilgili sınıfa veri girişi yapılmamışt ır. Geliştirilen ontoloji ile orijinal etiketlerin eşleşmesi Tablo 3.8'de ayrıntılandırılmıştır. Tablo 3.8.", "source": "Only_tez.pdf:p30"}
{"id": "c0067", "text": "Geliştirilen 6 Sınıflı Davranış Ontolojisi ve Kaynak Etiketlerin Eşleşmesi Hedef Sınıf (Tez Ontolojisi) Kapsadığı Orijinal Etiketler Açıklama Eating (Yeme) Eating, eating, Drinking, brest_feeding, grazing Baş aşağı ritmik hareket: yemlik/kaba yem/otlama Shaking (Silkelenme) Shaking, shaking, head-shake, scratch_biting, scratch-biting Islaklıktan kurtulma veya rahatlama amaçlı tüm vücudu veya başı silkeleme.", "source": "Only_tez.pdf:p30"}
{"id": "c0068", "text": "Standing (Ayakta durma) Standing, standing, standing_up, Sitting, Panting, rubbing, scared, lying chest, lying Dört ayak üzerinde hareketsiz duruş; düşük ivme/jiroskop baskın. Yatma dahil. Trotting (Tırıs gitme) Trotting, trotting-natural, trotting- rider, climbing_up, climbing_down Yürümeden hızlı, koşmadan yavaş; simetrik çapraz yürüyüş (Tırıs). Walking (Yürüme) Walking, walking-natural, walking- rider, Pacing, Sniffing, Carrying object, Synchronization Dört zamanlı, yavaş tempolu normal yürüyüş; sosyal senkronizasyon dahil. Running (Koşma) Galloping, running, galloping-natural, galloping-rider, Jumping, jumping, Playing Yüksek hızlı, asimetrik sıçrama hareketi (Dörtnala/Koşma); patlayıcı ivme.", "source": "Only_tez.pdf:p31"}
{"id": "c0069", "text": "Üç veri kümesinde 6 sınıflı ortak ontoloji ile eşleşmeyen etiketler Tablo 3. 2, 3. 4 ve 3.6’da gösterildiği gibi analiz dışında bırakılmıştır. . Söz konusu etiketler ya tek bir türde gözlenmesi, ya kompozit hareket örüntüsü taşıması ya da yetersiz örneklem üretmesi nedeniyle altı temel lokomotor sınıfa atanamamıştır. Davranışsal Aktarılabilirlik Benzerlik Skoru (BTSS, Behavioral Transferability Similarity Score) modülünün ürettiği Jensen-Shannon Iraksaması (JSD, Jensen -Shannon Divergence) uzaklık matrisleri ve ontoloji doğrulama sonuçları Bölüm 4'te sunulmuştur. Eşleme sürecinde at ve keçi veri kümelerindeki tek etiketli yapı korunmuştur. Köpek veri kümesindeki Behavior_1, Behavior_2 ve Behavior_3 sütunları birleştirilerek her pencere için altı sınıfın her biri 0 veya 1 değeri alan bir etiket vektörü oluşturulmuştur.", "source": "Only_tez.pdf:p31"}
{"id": "c0070", "text": "Aynı pencerede birden fazla davranış eş zamanlı olarak 1 değeri ile işaretlenebilir (örn. [0, 0, 1, 0, 1, 0]). 3.2. Veri Ön İşleme Yöntemleri Bu bölümde ham IMU sinyallerine uygulanan ön işleme adımları; pencere segmentasyonu, eğitim-test olarak ayrıştırma, gürültü giderme, veri temizliği, öznitelik çıkarımı ve boyut indirgemeden bahsedilmiştir. 3.2.1. Veri Segmentasyonu ve Eğitim-Test Ayrımı Veri segmentasyonunda Kayan Pencere (SW, Sliding Window) tekniği uygulanmıştır. Pencere boyutu 128 örneklem (100 Hz örnekleme frekansında 1,28 saniye) olarak belirlenmiştir (Hussain vd., 2022; Herbon vd., 2023). Her pencere Denklem 3.1'de gösterildiği gibi tanımlanmıştır:", "source": "Only_tez.pdf:p31"}
{"id": "c0071", "text": "𝑥𝑡 = [𝑠𝑡,𝑠𝑡+1,…,𝑠𝑡+𝑊−1] ∈ 𝑅𝑊×𝐶, 𝑠𝑡𝑟𝑖𝑑𝑒= 𝑆 (3.1) Burada 𝑥𝑡 zaman adımı t 'de başlayan pencereyi, W pencere boyutunu, C kanal sayısını ve S adım boyutunu göstermektedir. Ham sinyal verisi öncelikle sabit boyutlu pencerelere dönüştürülmüştür. Pencereleme iki ardışık geçişle gerçekleştirilmiştir. Birinci geçişte tüm sınıflar için standart kayan pencere uygulanmıştır. Eğitim kümesinde etiket homojenliği filtresi etkindir; bir penceredeki tüm satırlar aynı davranış etiketine sahip olmalıdır. Test kümesinde filtre devre dışı bırakılmış ve adım boyutu yarıya indirilmiştir. İkinci geçiş, Takviye Geçişi olarak adlandırılır ve yalnızca azınlık sınıflara uygulanmıştır. Bu geçişte daha küçük bir pencere boyutu ve azami örtüşmeli adım kullanılmıştır.", "source": "Only_tez.pdf:p32"}
{"id": "c0072", "text": "Üretilen küçük pencereler sıfır doldurma (zero padding) ile ana pencere boyutuna genişletilmiştir. Sıfır doldurulan zaman dilimleri, pencerenin gerçek geçerli uzunluğunu (valid_len) gösteren meta bilgi ile birlikte kaydedilmiştir. Öznitelik çıkarımı aşamasında zaman alanı istatistikleri (ortalama, standart sapma, RMS, ekstrem değerler, basıklık, sıfır g eçiş oranı) bu bilgi maske olarak kullanılarak yalnızca gerçek örnekler üzerinden hesaplanır. Hızlı Fourier Dönüşümü için sıfır doldurma standart bir uygulamadır ve spektral içeriği değiştirmez. Takviye penceresinden çıkarılan öznitelikler yalnızca gerçek sinyal değerlerinden türetilmiş olup sıfır değerleri sonuca dahil edilmemiştir. Etiket homojenliği filtresi etkin tutulmuştur.", "source": "Only_tez.pdf:p32"}
{"id": "c0073", "text": "Azınlık sınıf eşiği, çok sınıflı ve çok etiketli veri kümeleri için ayrı oranlar olarak tanımlanmıştır. İki geçişin çıktıları birleştirilerek nihai pencere dosyaları oluşturulmuştur. Pencereler, eğitim ve test kümelerine İki Geçişli Kota Tabanlı Tabakalı Örnekleme (Two -Pass Quota-Based Stratified Sampling) stratejisi ile dağıtılmıştır. Strateji, veriyi hayvan ve davranış sınıfı kombinasyonlarına göre tabakalandırır. İlk adımda her hayv an-davranış kombinasyonunun toplam pencere sayısı hesaplanmıştır. Hedef test oranına göre her kombinasyona bir test kotası atanmıştır. İkinci adımda pencereler zaman sırasına göre değerlendirilmiştir. Test kotası dolmamış kombinasyonlar test kümesine, geri kalanlar eğitim kümesine yerleştirilmiştir.", "source": "Only_tez.pdf:p32"}
{"id": "c0074", "text": "Pencereleme ve bölme işlemlerinin sonuçları Bölüm 4.1'de sunulmuştur. 3.2.2. Gürültü Giderme ve Veri Temizliği Giyilebilir sensörlerle doğal ortamda toplanan sinyaller sensör kayması, mekanik darbeler ve etiketleme hataları gibi gürültü kaynakları barındırır. Temizleme süreci, komşuluk tabanlı algoritmalar olan ENN ve Tomek Links yöntemleri kullanılmıştır. Bu algoritmalar her pencere için en yakın komşu araması gerektirir; ham pencerelerin yüksek boyutlu temsili (128 zaman adımı × 6 kanal) bu aramayı pratik olarak yavaşlatmaktadır. Hesaplama maliyetini düşürmek amacıyla pencereler komşuluk hesabı öncesinde Johnson-Lindenstrauss lemmasına dayanan Seyrek Rastgele İzdüşüm (Sparse Random Projection, SRP; Achlioptas, 2003) yöntemiyle indirgenmiştir.", "source": "Only_tez.pdf:p32"}
{"id": "c0075", "text": "bir hata payı içinde koruduğundan komşuluk yapısı bozulmadan tüm temizleme adımları indirgenmiş uzayda yürütülebilmektedir. SRP'nin izdüşüm matrisi Denklem 3.2'de tanımlanmıştır. 𝛷 ∈ 𝑅𝑑𝑜𝑢𝑡×𝑑𝑖𝑛, 𝜙𝑖𝑗 = ± 1 √𝑑𝑜𝑢𝑡 (𝑒ş𝑖𝑡 𝑜𝑙𝑎𝑠𝚤𝑙𝚤𝑘𝑙𝑎) (3.2) Söz konusu denklemde, 𝛷 izdüşüm matrisini, 𝑑𝑖𝑛 giriş boyutunu, 𝑑𝑜𝑢𝑡 hedef boyutu, 𝜙𝑖𝑗 matrisin i -inci satır ve j -inci sütunundaki elemanı göstermektedir. SRP ile indirgenmiş uzayda gerçekleştirilen komşuluk tabanlı temizleme adımlarına ek olarak, sınıf dengeleme aşamasının (Bölüm 3.5) hemen öncesinde, PCA ile indirgenmiş özellik uzayında her davranış sınıfı için Mahalanobis mesafesine (De Maesschalck vd., 2 000) dayalı bir sınıf -içi aykırı değer tespiti uygulanmıştır.", "source": "Only_tez.pdf:p33"}
{"id": "c0076", "text": "Mahalanobis mesafesi Denklem 3.3'te gösterildiği gibi tanımlanmıştır. 𝑑𝑀(𝑥)= √(𝑥 − 𝜇)𝑇𝛴−1(𝑥− 𝜇) (3.3) Burada ise x mesafesi hesaplanan örnek vektörünü, μ ilgili davranış sınıfına ait örneklerin ortalama vektörünü, 𝛴−1 ise aynı sınıfın kovaryans matrisinin tersini göstermektedir. Sabit %99 yüzdelik dilim eşiğini aşan örnekler aykırı olarak işaretlenmiştir. Bu işlem, az örnekli sınıflarda kovaryans tahmininin kararsızlaşmasına karşı üç ek önlem ile uygulanmıştır. Birincisi, sınıfın örnek sayısı 10'un altında ise filtre devreden çıkarılır ve sınıfın tüm örnekleri korunmaktadır. İkincisi, kovaryans matrisine 𝜖 ⋅ tr(Σ) 𝐷 mertebesinde köşegen düzeltmesi (shrinkage) eklenir; bu işlem matrisin sayısal kararlılığını artırır.", "source": "Only_tez.pdf:p33"}
{"id": "c0077", "text": "Üçüncüsü, Cholesky ayrışmasının başarısız olması durumunda Mahalanobis mesafesi yerine L2 normu üzerinden aynı yüzdelik dilim kuralı geçerli olur. SRP ile indirgenmiş uzayda etiket tutarlılığını denetlemek üzere Düzenlenmiş En Yakın Komşular (ENN, Edited Nearest Neighbors; Wilson, 1972) algoritması uygulanmıştır . ENN Denklem 3.4'te tanımlanmıştır: 𝑦𝑖̂≠ 𝑚𝑎𝑗𝑜𝑟𝑖𝑡𝑦(𝑁𝑘(𝑥𝑖)) ⇒ ö𝑟𝑛𝑒𝑘 𝑢𝑧𝑎𝑘𝑙𝑎ş𝑡𝚤𝑟𝚤𝑙𝚤𝑟 (3.4) Bu denklemde, 𝑦𝑖̂ i-inci örneğin etiketini, 𝑁𝑘(𝑥𝑖)𝑥𝑖 örneğinin k en yakın komşusundan oluşan kümeyi, majority(⋅) bu komşuluktaki baskın etiketi göstermektedir. Tomek Links filtresiyle zıt sınıf sınır çiftleri Denklem 3.5'te gösterildiği gibi temizlenmiştir (Tomek, 1976): (𝑥𝑖,𝑥𝑗):𝑦𝑖 ≠ 𝑦𝑗, ∄ 𝑥𝑘:𝑑(𝑥𝑘,𝑥𝑖)< 𝑑(𝑥𝑖,𝑥𝑗) (3.5)", "source": "Only_tez.pdf:p33"}
{"id": "c0078", "text": "Söz konusu denklemde, (𝑥𝑖,𝑥𝑗) farklı sınıflara ait iki örneği, 𝑑(⋅,⋅) uzaklık metriğini, ∄𝑥𝑘 koşulu 𝑥𝑖'ye 𝑥𝑗'den daha yakın başka örnek bulunmadığını göstermektedir. Keçi ve at veri kümelerinde ENN ve Tomek Links yöntemleri uygulanmıştır. Düşük örnekli sınıflar bu işlemlerden muaf tutulmuştur. Köpek veri kümesinin çok etiketli yapısı için Bire-Karşı-Hepsi (OvR, One-vs-Rest) tabanlı üç aşamalı bir temizleme stratejisi uygulanmıştır. Birinci aşamada OvR Tomek Links analizi uygulanmıştır. Baskın davranış etiketleri için bağımsız olarak her etiket pozitif, geri kalanlar negatif şeklinde atanmış ve standart Tomek çift tespiti bu ikili uzayda gerçekleştirilmiştir. Baskın sınıf tarafındaki eşler ile azınlık sınıf tarafındaki eşler ayrı kuantil uzaklık eşiklerine göre değerlendirilmiştir.", "source": "Only_tez.pdf:p34"}
{"id": "c0079", "text": "Her head etiketi için elde edilen Tomek tespitleri OR kuralı ile birleştirilmiş; bir pencere herhangi bir head etiketinde Tomek çifti oluşturuyorsa veriden çıkarılmıştır. Bu birleşim üç ek koşulla sınırlanır: Tomek tespiti yalnızca en sık dört head etiketi üzerinde uygulanır, yalnızca karşılıklı en yakın komşu (mutual nearest neighbor) çiftleri işaretlenir ve mesafe baskın head'lerde en yakın yüzde yirmi, az baskın head'lerde ise en yakın yüzde on dilimle sınırlandırılmıştır İkinci aşamada zamansal sivri filtreleme uygulanmıştır. Aynı bireyden gelen ardışık pencereler incelenmiş, komşu pencerelerin hiçbirinde görülmeyen izole baş etiketleri uzaklaştırılmıştır. Üçüncü aşamada yalnızca baş hareketi etiketi taşıyan ve vücut davr anışı etiketi içermeyen pencerelerin toplam oranı bir üst tavanla sınırlandırılmıştır.", "source": "Only_tez.pdf:p34"}
{"id": "c0080", "text": "Temizleme sonuçları Bölüm 4.1'de sunulmuştur. 3.2.3. Öznitelik Çıkarımı Her pencere için iki katmanlı bir öznitelik çıkarım stratejisi uygulanmıştır. Birinci katmanda altı IMU kanalının (Ax, Ay, Az, Gx, Gy, Gz) her birinden istatistiksel ve spektral öznitelikler hesaplanmıştır. İkinci katmanda ivmeölçer ve jiroskop sinyallerin in Sinyal Büyüklük Vektörü (SMV, Signal Magnitude Vector) ayrı ayrı hesaplanmış, her SMV kanalından dört öznitelik (ortalama, standart sapma, RMS, maksimum) çıkarılmıştır. Öznitelik kümesi Bento vd. (2022) çalışmasından alınmıştır. Zaman alanından karekök ortalama karesi (RMS), standart sapma, basıklık ve sıfır geçiş oranı hesaplanmıştır. RMS Denklem 3.5'de tanımlıdır: 𝑅𝑀𝑆 = √1 𝑁∑𝑥𝑡 𝑁 𝑡=1 (3.5) Verilen formülde N pencere içindeki toplam örneklem sayısını, 𝑥𝑡 ise t zaman adımındaki sensör okumasını göstermektedir.", "source": "Only_tez.pdf:p34"}
{"id": "c0081", "text": "Frekans alanından Hızlı Fourier Dönüşümü (FFT, Fast Fourier Transform) uygulanarak baskın frekans, spektral entropi ve spektral ağırlık merkezi çıkarılmıştır. Spektral entropi Denklem 3.6'de gösterildiği gibidir:", "source": "Only_tez.pdf:p34"}
{"id": "c0082", "text": "𝐻 = − ∑𝑝𝑓 𝑓 log𝑝𝑓 (3.6) Buradaki 𝑝𝑓, f frekans bileşenindeki normalize edilmiş güç spektral yoğunluğunu, toplam işareti ise tüm frekans bileşenleri üzerinden gerçekleştirilen toplamı göstermektedir. Baskın frekans Denklem 3.7'de gösterildiği gibi hesaplanmıştır: 𝑓∗ = argmax 𝑓 |ℱ{𝑥}(𝑓)|2 (3.7) Formüldeki 𝐹{𝑥}(𝑓), x sinyalinin f frekansındaki Fourier dönüşüm değerini, |𝐹{𝑥}(𝑓)|2 bu bileşenin güç spektrumundaki büyüklüğünü ve 𝑓∗ güç spektrumunu maksimize eden frekans bileşenini göstermektedir. Sensör eksenlerinden bağımsız toplam hareket yoğunluğunu özetleyen SM V Denklem 3.8'te gösterildiği gibidir: 𝑆𝑀𝑉 = √𝑎𝑥2 + 𝑎𝑦2 + 𝑎𝑧2 (3.8) Söz konusu denklemde, 𝑎𝑥, 𝑎𝑦 ve 𝑎𝑧 sırasıyla X, Y ve Z eksenlerindeki ivme değerlerini göstermektedir.", "source": "Only_tez.pdf:p35"}
{"id": "c0083", "text": "Buna ek olarak, sinyalin hangi hareket hızlarında (frekans bantlarında) daha baskın olduğunu belirlemek amacıyla, her bir frekans bandının toplam sinyal enerjisi içindeki yüzdelik payı hesaplanmıştır. Üretilen özniteliklerin ana kategorileri Tablo 3. 9'da isim listesi ve detayı da Tablo 3.10’da sunulmuştur. Tablo 3.9. Öznitelik Kümesi Özeti Kategori Öznitelikler Alan (Domain) Adet Merkezi Eğilim ve Dağılım mean, std, min, max, rms Zaman (Time) 5 × 6 = 30 Şekil kurtosis (basıklık) Zaman (Time) 1 × 6 = 6 Değişim zero_crossing_rate, jerk_rms Zaman (Time) 2 × 6 = 12 Spektral dominant_freq, dominant_ratio, spectral_entropy, spectral_centroid Frekans (Freq.) 4 × 6 = 24 Frekans Bant Enerjisi band_1_3Hz, band_3_5Hz, band_5plus_Hz Frekans (Freq.) 3 × 6 = 18 SMV smv_acc_{mean, std, rms, max}, smv_gyr_{mean, std, rms, max} Zaman (Time) 8", "source": "Only_tez.pdf:p35"}
{"id": "c0084", "text": "Tablo 3.10. Öznitelikler A. İvmeölçer (Zaman Alanı) Türkçe Adı Açıklama Kullanım Amacı X Y Z Aritmetik ortalama Pencere içi sinyal değerlerinin ortalaması Statik davranışların temel sinyal seviyesini ölçer Ax_mean Ay_mean Az_mean Standart sapma Sinyal değerlerinin yayılım ölçüsü Hareketli davranışların değişkenliğini yansıtır Ax_std Ay_std Az_std Karekök ortalaması Karelerin ortalamasının karekökü Toplam hareket şiddetini ölçer Ax_rms Ay_rms Az_rms Maksimum En yüksek değer Koşma ve silkelenmedeki ani zirveleri yakalar Ax_max Ay_max Az_max Minimum En düşük değer Salınımın alt sınırını ve adım kalıbını ölçer Ax_min Ay_min Az_min Basıklık Dağılımın çatıklık ölçüsü Ani sıçrama içeren davranışları öne çıkarır Ax_kurt Ay_kurt Az_kurt Sıfır geçiş oranı Sinyalin sıfır eksenini geçme sıklığı Periyodik adım kalıplarını yakalar Ax_zcr Ay_zcr Az_zcr Jerk RMS İvmenin türevinin karekök ortalaması Ani hareket geçişlerini ölçer Ax_jerk_rms Ay_jerk_rms Az_jerk_rms B.", "source": "Only_tez.pdf:p36"}
{"id": "c0085", "text": "İvmeölçer (Frekans Alanı) Türkçe Adı Açıklama Kullanım Amacı X Y Z Spektral merkez Frekans spektrumunun Hız ayrımına (yürüme-koşma) katkı sağlar Ax_centroid Ay_centroid Az_centroid", "source": "Only_tez.pdf:p36"}
{"id": "c0086", "text": "ağırlık merkezi Spektral entropi Frekans bileşenlerinin düzensizliği Düzensiz davranışları (yeme) ayırt eder Ax_entropy Ay_entropy Az_entropy Baskın frekans En yüksek genlikli frekans Adım frekanslarını ortaya çıkarır Ax_dom_freq Ay_dom_freq Az_dom_freq Baskın frekans oranı Baskın frekansın spektral güç oranı Periyodikliğin keskinliğini ölçer Ax_dom_ratio Ay_dom_ratio Az_dom_ratio 1-3 Hz bant enerjisi 1-3 Hz bandındaki güç oranı Yürüme adım frekansı bandını yakalar Ax_band13 Ay_band13 Az_band13 3-5 Hz bant enerjisi 3-5 Hz bandındaki güç oranı Tırıs adım frekansı bandını yakalar Ax_band35 Ay_band35 Az_band35 5+ Hz bant enerjisi 5 Hz üstü güç oranı Koşma ve silkelenme bantlarını yakalar Ax_band5p Ay_band5p Az_band5p C.", "source": "Only_tez.pdf:p37"}
{"id": "c0087", "text": "Jiroskop (Zaman Alanı) Türkçe Adı Açıklama Kullanım Amacı X Y Z Aritmetik ortalama Açısal hız değerlerinin ortalaması Düşük dönüşlü davranışları temsil eder Gx_mean Gy_mean Gz_mean Standart sapma Açısal hızın yayılım ölçüsü Dönüş değişkenliğini ölçer Gx_std Gy_std Gz_std Karekök ortalaması Açısal hızın karekök ortalaması Toplam dönüş şiddetini ölçer Gx_rms Gy_rms Gz_rms Maksimum En yüksek açısal hız Ani dönüş zirvelerini yakalar Gx_max Gy_max Gz_max", "source": "Only_tez.pdf:p37"}
{"id": "c0088", "text": "Minimum En düşük açısal hız Negatif yönlü dönüşün alt sınırını ölçer Gx_min Gy_min Gz_min Basıklık Açısal hız dağılımının çatıklığı Ani sıçramalı dönüşleri öne çıkarır Gx_kurt Gy_kurt Gz_kurt Sıfır geçiş oranı Dönüş yön değişimi sıklığı Gait (yürüyüş) kalıplarını yakalar Gx_zcr Gy_zcr Gz_zcr Jerk RMS Açısal jerk karekök ortalaması Ani dönüş geçişlerini ölçer Gx_jerk_rms Gy_jerk_rms Gz_jerk_rms D. Jiroskop (Frekans Alanı) Türkçe Adı Açıklama Kullanım Amacı X Y Z Spektral merkez Açısal hız spektrum merkezi Dönüş frekansı ayrımına katkı sağlar Gx_centroid Gy_centroid Gz_centroid Spektral entropi Açısal hız frekans düzensizliği Düzensiz davranışları düzenliden ayırır Gx_entropy Gy_entropy Gz_entropy Baskın frekans En yüksek frekans Gait davranışlarının dönüş frekansını verir Gx_dom_freq Gy_dom_freq Gz_dom_freq Baskın frekans oranı Dönüş periyodikliğinin keskinliği Tırıs ve koşmada yüksek değer alır Gx_dom_ratio Gy_dom_ratio Gz_dom_ratio 1-3 Hz bant enerjisi 1-3 Hz dönüş bandındaki güç Yürüme dönüş frekansını yakalar Gx_band13 Gy_band13 Gz_band13", "source": "Only_tez.pdf:p38"}
{"id": "c0089", "text": "3-5 Hz bant enerjisi 3-5 Hz dönüş bandındaki güç Tırıs dönüş frekansını yakalar Gx_band35 Gy_band35 Gz_band35 5+ Hz bant enerjisi 5 Hz üstü dönüş bandındaki güç Yüksek frekanslı dönüşleri yakalar Gx_band5p Gy_band5p Gz_band5p SMV (Yön-Bağımsız Büyüklükler) Grup Türkçe Adı Açıklama Kullanım Amacı Öznitelik İvmeölçer Ortalama SMV vektörünün ortalaması Statik ve hareketli ayrımı svm_acc_mean İvmeölçer Standart sapma SMV yayılımı Hareket değişkenliğini yansıtır svm_acc_std İvmeölçer Karekök ortalaması SMV karekök ortalaması Toplam hareket şiddeti ölçüsü svm_acc_rms İvmeölçer Maksimum SMV maksimumu Ani şiddetli zirveleri yakalar svm_acc_max Jiroskop Ortalama SMV vektörünün ortalaması Genel dönüş yoğunluğunu ölçer svm_gyr_mean Jiroskop Standart sapma SMV yayılımı Dönüş değişkenliğini ölçer svm_gyr_std Jiroskop Karekök ortalaması SMV karekök ortalaması Toplam dönüş şiddeti ölçüsü svm_gyr_rms Jiroskop Maksimum SMV maksimumu Ani dönüş zirvelerini yakalar svm_gyr_max Her sensör kanalı için 15 öznitelik üretilmiştir (6 kanal × 15 = 90).", "source": "Only_tez.pdf:p39"}
{"id": "c0090", "text": "Bunlara eksen -bağımsız 4 ivmeölçer SMV özniteliği ve 4 jiroskop SMV özniteliği eklenerek toplam 98 özniteliğe ulaşılmıştır.", "source": "Only_tez.pdf:p39"}
{"id": "c0091", "text": "3.2.4. Boyut İndirgeme Veriye standartlaştırma (Z -score normalizasyonu) uygulanmıştır. Normalize edilmiş öznitelik vektörü Temel Bileşen Analizi (PCA, Principal Component Analysis) ile indirgenmiştir (Jolliffe, 2002). PCA dönüşümü Denklem 3.9'te tanımlanmıştır: 𝑧 = 𝑊𝑇(𝑥− μ), ∑ λ𝑖 𝑑 𝑖=1 ∑λ𝑗𝑗 ≥ (3.9) Burada x orijinal öznitelik vektörünü, 𝜇 eğitim kümesi üzerinde hesaplanan ortalama vektörü, W PCA sonucu elde edilen öz vektör matrisini, 𝜆𝑖 her temel bileşene karşılık gelen öz değeri, z dönüşüm sonrası elde edilen indirgenmiş temsili ve τ varyans koruma eşiğini göstermektedir. Bu çalışmada τ = %95 varyans koruma eşiği belirlenmiştir. PCA çıktısının boyutu bu eşiğe göre dinamik olarak hesaplanmaktadır; sayısal sonuç Bölüm 4.1'de sunulmuştur PCA modeli ve normalizasyon parametreleri yalnızca ilgili kaynak alanın eğitim kümesi üzerinde öğrenilmiştir.", "source": "Only_tez.pdf:p40"}
{"id": "c0092", "text": "Elde edilen dönüşüm matrisi yeniden hesaplama yapılmaksızın test kümesi ile hedef alan verilerine uygulanmıştır. Kaynak ve hedef alan aynı dönüşüm matrisi ile temsil edilmiştir. 3.3. Sınıf Dengesizliği Yönetimi Her veri kümesinin etiket yapısına uyarlanmış iki farklı dengeleme stratejisi benimsenmiştir. Tek etiketli keçi ve at veri kümelerinde geometrik ortalama tabanlı uyarlamalı dengeleme ile cWGAN- GP, çok etiketli köpek veri kümesinde ise MLSMOTE uygulanmıştır. 3.3.1. Tek Etiketliler İçin Sınıf Dengeleme Tek etiketli işaretler taşıyan keçi ve at veri kümelerinde sınıf dengesizliğini veri kümesinin yapısına göre uyarlanan bir dengeleme yöntemiyle giderilmiştir . Bu yöntem yalnızca eğitim (train) kümesine uygulanmıştır; tüm deneylerde kullanılan test kümesinde gerçek sensör verileri kullanılmıştır.", "source": "Only_tez.pdf:p40"}
{"id": "c0093", "text": "Bu stratejide hedef örnek sayısı, veri kümesindeki tüm sınıf büyüklüklerinin geometrik ortalaması olarak Denklem 3.10'da gösterildiği biçimde hesaplanır: 𝐺 = (∏𝑛𝑖 𝐾 𝑖=1 ) 1/𝐾 = exp!(1 𝐾∑ln𝑛𝑖 𝐾 𝑖=1 ) (3.10) Hesaplanan hedefin üzerindeki sınıflar K -Means kümelemesi ile alt -örneklenmiştir. Hedefin altındaki azınlık sınıflar cWGAN -GP ile sentetik örnekler üretilmiştir. cWGAN -GP'nin kayıp fonksiyonu Denklem 3.11'de tanımlanmıştır (Gulrajani vd., 2017):", "source": "Only_tez.pdf:p40"}
{"id": "c0094", "text": "𝐿 = 𝐸[𝐷(𝑥̃)] − 𝐸[𝐷(𝑥)] + 𝜆𝑔𝑝 𝐸![(|𝛻𝑥̂𝐷(𝑥̂)|2 − 1)2] (3.11) Burada D ayrıştırıcı ağın çıktı fonksiyonunu, x gerçek örnekleri, x̃ üretici tarafından sentezlenen sahte örnekleri, x̂ gerçek ile sahte örnekler arasındaki rastgele enterpolasyon noktalarını ve 𝜆𝑔𝑝 gradyan cezasının ağırlık katsayısını göstermektedir. Üretici ağ düşük boyutlu gürültü tensöründen PCA öznitelik uzayında sentetik örnekler üretir. Sentetik ekleme oranı bir üst tavanla sınırlandırılmıştır. At veri kümesinde dengeleme öncesinde ENN tabanlı ön -temizleme uygulanmıştır. Geometrik ortalama hedef değerleri Bölüm 4.1'de sunulmuştur. 3.3.2. Çok Etiketliler İçin Sınıf Dengeleme Köpek veri kümesinin çok etiketli yapısına uygun MLSMOTE algoritması uygulanmıştır (Charte vd., 2015).", "source": "Only_tez.pdf:p41"}
{"id": "c0095", "text": "MLSMOTE yalnız eğitim (train) kümesine uygulanmıştır; test kümesine sentetik örnek eklenmemiştir. Algoritma her örnek için en yakın komşuları belirler ve kaynak örnek ile rastgele seçilen bir komşu arasında öznitelik uzayında interpolasyon gerçekleştirir: 𝑥𝑠𝑦𝑛 = 𝑥𝑖 + 𝛿 (𝑥𝑛𝑛− 𝑥𝑖), 𝑦𝑠𝑦𝑛 = 𝑦𝑖 ∪ 𝑦𝑛𝑛, 𝛿 ∈ [0,1] (3.12) Burada xᵢ kaynak örneğin öznitelik vektörünü, 𝑥𝑛𝑛 seçilen en yakın komşunun öznitelik vektörünü, δ [0, 1] aralığında rastgele üretilen interpolasyon katsayısını, 𝑥𝑠𝑦𝑛 sentezlenen yeni örneği, yᵢ ve 𝑦𝑛𝑛 sırasıyla kaynak ve komşu örneklerin etiket kümelerini, 𝑦𝑠𝑦𝑛 ise bu iki kümenin birleşiminden oluşan sentetik etiket vektörünü göstermektedir. Sentetik çoğaltımda yalnızca azınlık etiket birleşimleri hedeflenmiş ve komşuluk yapısıyla uyumsuz bölgelere öncelik verilmiştir.", "source": "Only_tez.pdf:p41"}
{"id": "c0096", "text": "Sentetik genişleme iki eşzamanlı sınırlayıc ı ile kontrol edilmiştir. Birincisi bireysel bir tavandır: her etiket birleşimi için üretilebilecek sentetik örnek sayısı orijinal sayıya oranlı bir üst sınırla kısıtlanır. İkincisi toplam sentetik oranı sınırlayan global bir tavandır. 3.3.3. Sentetik Veri Üretimi Sonrası Gürültü Temizliği MLSMOTE sentetik örnek arttırmanın ardından ENN tabanlı bir gürültü temizleme aşaması uygulanmıştır. Komşuluk benzerliği Jaccard indeksi ile ölçülür: 𝐽(𝐴,𝐵)= |𝐴 ∩ 𝐵| |𝐴 ∪ 𝐵| (3.13)", "source": "Only_tez.pdf:p41"}
{"id": "c0097", "text": "Burada A ve B karşılaştırılan iki örneğin etiket kümelerini, |A ∩ B| bu kümelerin ortak etiket sayısını ve |A ∪ B| birleşimlerindeki toplam etiket sayısını göstermektedir. Her örneğin en yakın k komşusu belirlenir. Komşu çoğunluğunun etiket kümesiyle Jaccard benzerliği eşik değerin altında kalan örnekler veri kümesinden uzaklaştırılmıştır. Büyük veri kümelerinde komşu sayısı veri kümesi büyüklüğüne göre uyarlamalı olarak aya rlanmıştır. Dengeleme stratejilerinin nihai sonuçları Bölüm 4.1'de sunulmuştur. 3.4. Önerilen Derin Öğrenme Mimarisi Bu bölümde türler arası davranış aktarımı için geliştirilen derin öğrenme mimarisi sunulmaktadır. Mimari dört temel bileşenden oluşur. Birinci bileşen zaman serisi sınıflandırması için karşılaştırmalı olarak değerlendirilen dört ağdır: BiLSTM -Attention, GR U-Attention, CNN -1D ve Transformer.", "source": "Only_tez.pdf:p42"}
{"id": "c0098", "text": "İkinci bileşen, etiket yapısı uyumsuzluğunu çözen Çift Başlıklı Sınıflandırma Mekanizmasıdır. Üçüncü bileşen, türden bağımsız özellik öğrenimini gerçekleştiren DANN yapısıdır. Dördüncü bileşen ise hedef alana özgü ince ayar sağlayan D-PST aşamasıdır. 3.4.1. BiLSTM-Attention Temel sınıflandırma modeli olarak Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM, Bidirectional Long Short-Term Memory) mimarisi kullanılmıştır. LSTM hücresi kapı mekanizmalarıyla uzun vadeli bağımlılıkları öğrenir. Bu kapıların formülasyonu Denklem 3.14 ve 3. 15'de tanımlanmıştır (Hochreiter ve Schmidhuber, 1997): 𝑖𝑡 = 𝜎(𝑊𝑖[ℎ𝑡−1,𝑥𝑡] + 𝑏𝑖), 𝑓𝑡 = 𝜎(𝑊𝑓[ℎ𝑡−1,𝑥𝑡] + 𝑏𝑓) (3.14) 𝑐𝑡 = 𝑓𝑡 ⊙ 𝑐𝑡−1 + 𝑖𝑡 ⊙𝑡𝑎𝑛ℎ 𝑡𝑎𝑛ℎ (𝑊𝑐[ℎ𝑡−1,𝑥𝑡] + 𝑏𝑐) , ℎ𝑡 = 𝜎(𝑊𝑜[⋅])⊙𝑡𝑎𝑛ℎ𝑡𝑎𝑛ℎ (𝑐𝑡) (3.15) Burada iₜ ve fₜ sırasıyla girdi ve unutma kapılarının aktivasyonlarını, σ sigmoid fonksiyonunu, xₜ t anındaki girdi vektörünü, hₜ₋₁ bir önceki adımın gizli durumunu, W ve b ilgili katmanlara ait ağırlık matrisleri ile yanlılık vektörlerini, cₜ hücre durumu nu, ⊙ eleman bazlı çarpımı ve hₜ güncellenen gizli durum vektörünü göstermektedir.", "source": "Only_tez.pdf:p42"}
{"id": "c0099", "text": "BiLSTM her zaman adımında Denklem 3.16'da gösterildiği gibi iki yönlü çıktıları birleştirir (Schuster ve Paliwal, 1997): ℎ𝑡̃ = ℎ𝑡 → ∥ ℎ𝑡 ← (3.16)", "source": "Only_tez.pdf:p42"}
{"id": "c0100", "text": "Burada ℎ𝑡⃗⃗⃗ ve ℎ𝑡 ← sırasıyla ileri ve geri yönlü katmanların t anındaki gizli durumlarını, ∥ birleştirme işlemini göstermektedir. Bu birleştirilmiş durum dizisi üzerinde dikkat mekanizması Denklem 3.17'de gösterildiği gibi bilgilendirici zaman adımlarını ağırlıklandırarak bağlam vektörünü oluşturur (Bahdanau vd., 2014): α𝑡 = softmax(𝑣𝑇 tanh(𝑊𝑎ℎ𝑡)), 𝑐 = ∑ α𝑡ℎ𝑡 𝑡 (3.17) Burada αₜ zaman adımı t için hesaplanan dikkat ağırlığını, v ve Wₐ mekanizmanın öğrenilebilir parametrelerini, c ise ağırlıklı toplam sonucunda elde edilen bağlam vektörünü göstermektedir. Mimari PCA öznitelik vektörünü girdi olarak alır ve çift dal yapısıyla tasarlanmıştır. Bir dal zamansal bağımlılıklara, diğeri frekans özelliklerine odaklanmıştır.", "source": "Only_tez.pdf:p43"}
{"id": "c0101", "text": "Her dal projeksiyon katmanı üzerinden BiLSTM katmanına iletilir. İki dalın çıktıları birleşt irilerek tek bir gömme vektörü oluşturulmuştur. Çıkış katmanındaki aktivasyon fonksiyonu Çift Başlıklı Sınıflandırma Mekanizması aracılığıyla belirlenir (Bölüm 3.4.6). 3.4.2. GRU-Attention GRU-Attention mimarisi tek dal üzerinden çalışır. GRU hücreleri güncelleme (𝑧𝑡) ve sıfırlama (𝑟𝑡) kapıları kullanır (Cho vd., 2014). Hücre Denklem 3.18 ve 3.19'da tanımlanmıştır: 𝑧𝑡 = 𝜎(𝑊𝑧[ℎ𝑡−1,𝑥𝑡]), 𝑟𝑡 = 𝜎(𝑊𝑟[ℎ𝑡−1,𝑥𝑡]) (3.18) ℎ𝑡 = (1 − 𝑧𝑡)⊙ ℎ𝑡−1 + 𝑧𝑡 ⊙𝑡𝑎𝑛ℎ𝑡𝑎𝑛ℎ (𝑊ℎ[𝑟𝑡 ⊙ ℎ𝑡−1,𝑥𝑡]) (3.19) Burada zₜ güncelleme kapısının, rₜ sıfırlama kapısının aktivasyonlarını, σ sigmoid fonksiyonunu, xₜ t anındaki girdi vektörünü, hₜ₋₁ bir önceki adımın gizli durumunu, W ilgili ağırlık matrislerini, ⊙ eleman bazlı çarpımı ve hₜ güncellenen gizli durum vektörünü göstermektedir.", "source": "Only_tez.pdf:p43"}
{"id": "c0102", "text": "PCA öznitelik vektörü projeksiyon katmanından geçirildikten sonra çok katmanlı çift yönlü GRU'ya beslenir. GRU çıktısı LayerNorm normalizasyonundan geçirilmiş, ardından çok -başlı dikkat mekanizmasına iletilmiştir. Dikkat çıktısı rezidüel bağlantı ile oriji nal GRU temsiline eklenir. Çıkış aşamasında global ortalama havuzlama uygulanmış, sonuç doğrusal projeksiyonla özellik gömme vektörüne genişletilmiştir.", "source": "Only_tez.pdf:p43"}
{"id": "c0103", "text": "3.4.3. CNN-1D CNN-1D mimarisinde sıralı evrişim katmanları yerine çok ölçekli paralel dal tasarımı tercih edilmiştir. Tek boyutlu evrişim işleminin formülasyonu Denklem 3.20'de tanımlanmıştır (LeCun vd., 1989): (𝑥 ∗ 𝑤)[𝑡] = ∑ 𝑥[𝑡+ τ] τ ⋅ 𝑤[τ] (3.20) Burada x girdi sinyalini, w evrişim çekirdeğinin ağırlıklarını, t zaman indeksini ve τ çekirdek üzerindeki kayma adımını göstermektedir. Mimaride üç paralel evrişim dalı kullanılmıştır. Her dal farklı çekirdek boyutuyla evrişim uygulamaktadır. Her dal sabit kanallı evrişimi batch normalizasyonu ve Gauss Hata Doğrusal Birimi (GELU, Gaussian Error Linear Unit) aktivasyonuyla birlikte uygular. Üç dalın çıktıları birleştirildikten sonra ardışık derinleştirme evrişim katmanlarıyla zenginleştirilmiştir.", "source": "Only_tez.pdf:p44"}
{"id": "c0104", "text": "Uyarlamalı global ortalama havuzlama sonucunda özellik gömme vektörü üretilir. 3.4.4. Transformer Transformer mimarisinde CLS tokeni ve öğrenilebilir konumsal gömme kullanılmıştır. Öz - dikkat mekanizması sorgu (Q), anahtar (K) ve değer (V) matrisleri üzerinden Denklem 3.22'de tanımlanmıştır (Vaswani vd., 2017): 𝐴𝑡𝑡𝑒𝑛𝑡𝑖𝑜𝑛(𝑄,𝐾,𝑉)= 𝑠𝑜𝑓𝑡𝑚𝑎𝑥!(𝑄𝐾𝑇 √𝑑𝑘 )𝑉 (3.21) Burada Q, K ve V sırasıyla girdi dizisinden türetilen sorgu, anahtar ve değer projeksiyonlarını, 𝑑𝑘 anahtar vektörünün boyutunu ve √𝑑𝑘 dikkat skorlarını ölçekleyen normalleştirme terimini göstermektedir. Girdi PCA vektörü model uzayına yansıtıldıktan sonra dizinin başına öğrenilebilir bir CLS tokeni eklenmiştir. Çok katmanlı transformer kodlayıcıda her katman çok başlıklı öz -dikkat, ileri beslemeli ağ, GELU aktivasyonu ve katman normalizasyonu içerir.", "source": "Only_tez.pdf:p44"}
{"id": "c0105", "text": "Kodlayıcı çıktısından yalnızca CLS tokeninin temsili alınarak doğrusal projeksiyon ile özellik gömme vektörüne genişletilmiştir. 3.4.5. Ortak Mimari ve Eğitim Parametreleri Tüm modellerde uygulanan ortak mimari ve eğitim parametreleri Tablo 3.11'de sunulmuştur.", "source": "Only_tez.pdf:p44"}
{"id": "c0106", "text": "Tablo 3.11. Tüm Modeller İçin Ortak Mimari ve Hiper-Parametreler Parametre Değer Açıklama Optimizasyon Algoritması AdamW (TL), Adam (DANN/PST) TL aşamasında ağırlık azaltımlı Adam; diğer aşamalarda standart Adam. Öğrenme Oranı 5×10⁻⁴ (TL), 1×10⁻⁴ (DANN), 1×10⁻⁵ (PST) Her aşamada kademeli olarak düşürülmüştür. LR Zamanlayıcı LinearLR warmup (5 ep) + CosineAnnealing TL: warmup 0.1→1.0 + CosineAnnealing (η_min=1×10⁻⁵); DANN: CosineAnnealing (η_min=1×10⁻⁶); PST: CosineAnnealing (η_min=1×10⁻⁷). Yığın Boyutu 128 Her bir iterasyonda ağa beslenen eşzamanlı örnek sayısı. Dropout Oranı 0.5 Aşırı öğrenmeyi önlemek amacıyla rastgele nöron kapatma olasılığı. Ağırlık Azaltımı 5×10⁻⁴ (TL) L2 regülarizasyon katsayısı (yalnızca AdamW ile TL aşamasında).", "source": "Only_tez.pdf:p45"}
{"id": "c0107", "text": "Toplam Döngü 120 (TL), 60 (DANN), 10 (PST) Maksimum eğitim dönemi (early stopping ile erken sonlandırılabilir). Early Stopping patience=20 (TL), 7 (DANN), 7 (PST) Macro-F1 skor iyileşme takibi; en iyi model ağırlıkları geri yüklenir. Gradient Clipping max_norm=1.0 Gradyan patlamasını önlemek amacıyla tüm aşamalarda uygulanmıştır. Girdi Gürültüsü σ=0.3 (yalnızca TL) Gaussian gürültü ile veri artırımı (regülarizasyon). Etiket Yumuşatma ε=0.05 (kaynak BCE) Aşırı güvenli tahminleri cezalandırarak genellemeyi iyileştirir. Focal γ (Kaynak BCE) 2.0 Kaynak alan odaklanma katsayısı. Focal γ (Hedef CE) 1.5 Hedef alan odaklanma katsayısı. Entropi Ağırlığı w_ent=0.01 Hedef alan entropi minimizasyonu ağırlığı.", "source": "Only_tez.pdf:p45"}
{"id": "c0108", "text": "3.4.6. Çift Başlıklı Sınıflandırma Mekanizması Altı kaynak-hedef çifti hem çok etiketli → tek etiketli (köpek→keçi, köpek→at) hem de tek etiketli → çok etiketli (keçi→köpek, at→köpek) transfer yönlerini kapsamaktadır. Bu farklı etiket yapılarını aynı eğitim döngüsünde işleyebilmek için Çift Başlıklı Sı nıflandırma Mekanizması tasarlanmıştır. Şekil 3.2. Çift Başlıklı Sınıflandırma Mekanizması Mekanizmada kaynak ve hedef alan için iki ayrı sınıflandırma başlığı tasarlanmıştır (Şekil 3.2). Kaynak başlığı çok etiketli, hedef başlığı tek etiketli çıktıyı modeller. Her iki başlık da aynı paylaşılan özellik çıkarıcıdan beslenmektedir. Kaynak başlığı Focal İkili Çapraz Entropi (BCE, Binary Cross - Entropy kaybı ile eğitilir ve Denklem 3.23'te gösterildiği gibi sigmoid aktivasyonu aracılığıyla her sınıf için bağımsız olasılık üretmektedir: 𝑦𝑠𝑟𝑐̂ = σ(𝑊𝑠𝑟𝑐 𝑧), 𝐿𝑠𝑟𝑐 = − ∑[𝑦𝑘𝑙𝑜𝑔𝑙𝑜𝑔 𝑦𝑘 𝑠𝑟𝑐̂ + (1 − 𝑦𝑘)𝑙𝑜𝑔𝑙𝑜𝑔 (1− 𝑦𝑘 𝑠𝑟𝑐̂ ) ] 𝐾 𝑘=1 (3.22) Burada z paylaşılan özellik gömme vektörünü, σ sigmoid aktivasyon fonksiyonunu ve K sınıf sayısını göstermektedir.", "source": "Only_tez.pdf:p46"}
{"id": "c0109", "text": "Hedef başlığı Çapraz Entropi (CE, Cross -Entropy) tabanlı Focal kaybı ile eğitilerek, Denklem 3.23' de gösterildiği gibi softmax aktivasyonu üzerinden karşılıklı dışlayıcı sınıf tahmini gerçekleştirir: 𝑦𝑡𝑔𝑡̂ = 𝑠𝑜𝑓𝑡𝑚𝑎𝑥(𝑊𝑡𝑔𝑡 𝑧), 𝐿𝑡𝑔𝑡 = − ∑ 𝑦𝑘𝑙𝑜𝑔𝑙𝑜𝑔 𝐾 𝑘=1 𝑦𝑘 𝑡𝑔𝑡̂ (3.23)", "source": "Only_tez.pdf:p46"}
{"id": "c0110", "text": "Dört transfer senaryosu Tablo 3.12'de özetlenmiştir. Tablo 3.12. Çift Başlıklı Mimari Transfer Senaryoları Kaynak Hedef Kaynak Başlığı Hedef Başlığı Köpek (çok etiketli) Keçi/At (tek etiketli) BCE CE Keçi/At (tek etiketli) Köpek (çok etiketli) BCE (tek-aktif → BCE≡CE) CE Keçi/At Keçi/At BCE (tek-aktif) CE Köpek Köpek BCE CE Birinci senaryoda (köpek → keçi/at) kaynak başlığı BCE ile çok etiketli kaynak verisi üzerinde, hedef başlığı softmax ile tek etiketli hedef verisi üzerinde eğitilir. İkinci senaryoda (keçi/at → köpek) kaynak alan tek etiketli olduğundan etiketler, her sın ıf için 0 veya 1 değeri taşıyan ikili etiket vektörü (multi-hot encoding) biçiminde temsil edilir. Bu durumda BCE kaybı CE ile eşdeğer çalışır.", "source": "Only_tez.pdf:p47"}
{"id": "c0111", "text": "Hedef başlığı köpek hedef alanında CE ile argmax üzerinden en baskın sınıfı seçer. Aynı etiket yapısındaki çiftlerde (keçi→keçi, at→at) her iki başlık aynı biçimde çalışır. 3.4.7. Alan Çekişmeli Sinir Ağı (DANN) Kaynak alanda eğitilen sınıflandırıcıyı hedef alana uyarlamak üzere DANN çerçevesi benimsenmiştir. Mimari üç bileşenden oluşur: Özellik Çıkarıcı ( 𝐺𝑓), Etiket Tahmincisi ( 𝐺𝑦) ve Alan Ayrımcısı (𝐺𝑑). Özellik çıkarıcı çift dallı BiLSTM aracılığıyla PCA girişini iki paralel dalda işleyerek bir gömme vektörü oluşturur. Etiket tahmincisi sınıf çıktısı, alan ayrımcısı ise tür çıktısı üretir. DANN'ın çekirdek mekanizması olan Gradyan Tersine Çevirme Katmanı (GRL, Gradient Reversal Layer) bu iki hedef arasındaki çekişmeyi sağlamıştır (Ganin ve Lempitsky, 2015).", "source": "Only_tez.pdf:p47"}
{"id": "c0112", "text": "İleri geçişte kimlik dönüşümü uygulayan GRL Denklem 3.24'te gösterildiği gibi, geri yayılım sırasında gradyanı −λ katsayısıyla ölçekler: İ𝑙𝑒𝑟𝑖: 𝑅𝜆(𝑥)= 𝑥; 𝐺𝑒𝑟𝑖: 𝜕𝐿 𝜕𝑥|𝐺𝑅𝐿 = −𝜆𝜕𝐿𝑑𝑜𝑚 𝜕𝑥 (3.24) Burada 𝑅𝜆 gradyan tersine çevirme operatörünü, x özellik çıkarıcının çıktısını, L toplam kayıp fonksiyonunu, 𝐿𝑑𝑜𝑚 alan ayrımcısının kaybını ve λ tersine çevirme katsayısını göstermektedir. DANN eğitimi sınıflandırma kaybının azaltılması ile alan ayırt etme kaybının arttırılması eş zamanlı yürüten bir minimax problemi olarak tanımlanmıştır. Özellik çıkarıcının gradyan güncellemesinde alan kaybının işareti tersine çevrilir.", "source": "Only_tez.pdf:p47"}
{"id": "c0113", "text": "3.4.8. Koşullu Alan Çekişmeli Ağ (CDAN) CDAN (Long vd., 2018) yaklaşımında alan ayrımcısına sınıf olasılıkları da girdi olarak verilir. Özellik çıkarıcıdan gelen vektör ile hedef başlığının softmax çıktısı Denklem 3.25'de gösterildiği gibi birleştirilerek doğrusal projeksiyon ile koşullu temsil elde edilir: ℎ = 𝑓 ⊗ 𝑔̂ (3.25) Burada f özellik gömme vektörü, 𝑔̂ sınıf olasılık vektörü ve ⊗ tensör çarpımını simgelemektedir. Elde edilen h temsili alan ayrımcısına iletilmiştir. Alan ayrımcısı koşullu temsil üzerinden alan etiketini tahmin etmiş, hesaplanan kayıp Gradyan Tersine Çevirme Katmanı aracılığıyla özellik çıkarıcıya geri yayılmıştır 3.4.9. Davranış Aktarılabilirlik Puanlama Sistemi - BTSS BTSS, bu çalışmada geliştirilen ve her davranış sınıfı için türler arası aktarılabilirlik skoru hesaplayan bir sistemdir.", "source": "Only_tez.pdf:p48"}
{"id": "c0114", "text": "Hesaplanan skor DANN kaybının sınıf bazında ağırlıklandırılmasında kullanılır. Skor hesabı Jensen-Shannon uzaklığı (JSD; Lin, 1991) temellidir. İki dağılım P ve Q için JSD Denklem 3.26'de tanımlanmıştır: 𝐽𝑆𝐷(𝑃|𝑄)= 1 2𝐷𝐾𝐿(𝑃|𝑀)+ 1 2𝐷𝐾𝐿(𝑄|𝑀), 𝑀 = 1 2(𝑃 + 𝑄) (3.26) Her davranış sınıfı c için kaynak ve hedef özellik dağılımları boyut başına histogram karşılaştırmasıyla ölçülür: 𝐵𝑇𝑆𝑆(𝑐)= 1 − 1 𝐷 ∑ 𝐽𝑆𝐷(𝑃𝑠 𝑐,𝑑|𝑃𝑡 𝑐,𝑑) 𝐷 𝑑=1 (3.27) BTSS değeri [0, 1] aralığındadır. Kayıp ağırlığı 𝑤(𝑐)= 𝛼⋅ (1 − 𝐵𝑇𝑆𝑆(𝑐))+ (1 − 𝛼)⋅ 1 formülüyle hesaplanmış ve ağırlıklar normalize edilmiştir. Normalize edilmiş w(c) ağırlıkları, hedef alan örneklerinin Focal kaybıyla örnek düzeyinde çarpılarak toplam DANN kaybına dahil edilmiştir.", "source": "Only_tez.pdf:p48"}
{"id": "c0115", "text": "3.4.10. Kayıp Fonksiyonları ve Focal Loss Sınıflandırma kayıplarında Focal Loss (Lin vd., 2017) uygulanmıştır: 𝐿𝑓𝑜𝑐𝑎𝑙(𝑥,𝑦)= −(1 − 𝑝𝑡)𝛾 ⋅𝑙𝑜𝑔𝑙𝑜𝑔 (𝑝𝑡) (3.28) Odaklanma katsayısı γ kaynak ve hedef başlıklar için ayrı belirlenmiştir. Kaynak alan kayıp fonksiyonunda etiket yumuşatma uygulanmıştır. Kaynak BCE kaybında pozitif ağırlık hesaplanmış, negatif/pozitif örnek oranı önceden tanımlı bir aralıkla sınırlandırılmıştır. Hedef alan sınıflandırma kaybında ters-frekans tabanlı sınıf ağırlıkları hesaplanmış ve önceden tanımlı bir aralığa sınırlandırılmıştır. BTSS ağırlıkları Focal Loss ile örnek düzeyinde entegre edilmiştir: her hedef alan örneğinin ait olduğu sınıfın BTSS ağırlığı, o örneğin Focal Loss kaybı ile çarpılır.", "source": "Only_tez.pdf:p49"}
{"id": "c0116", "text": "Hedef alan tahminlerine entropi azaltma uygulanmıştır. Nadir Sınıf Dedektörü düşük örnekli sınıflar için ayrı bir ikili sınıflandırıcı başlığı eğitir. Dedektör paylaşılan gömme üzerinden sigmoid aktivasyonlu doğrusal katmanla nadir sınıfları tespit eder. Ç ıkarım aşamasında nadir sınıf olasılığı eşik değerini aştığında ana sınıflandırıcının argmax tahmini yerine nadir sınıf dedektörünün tahmini kullanılır. Hedef sınıflandırma kaybı 𝑤𝑡𝑔𝑡 katsayısıyla ağırlıklandırılmıştır. 𝑤𝑡𝑔𝑡 ile λ arasındaki denge koşulu Denklem 3.29'da ifade edilir: 𝑤𝑡𝑔𝑡 ⋅ 𝛻𝐿𝑡𝑔𝑡 ≈ −𝜆 ⋅ 𝛻𝐿𝑑𝑜𝑚 (3.29) Toplam DANN kaybı Denklem 3.30'da tanımlanmıştır: 𝐿 = 𝐿𝑠𝑟𝑐 + λ ⋅ 𝐿𝑑𝑜𝑚 + 𝑤𝑡𝑔𝑡 ⋅ ∑(𝑏𝑡𝑠𝑠𝑖 ⋅ 𝐿𝑓𝑜𝑐𝑎𝑙,𝑖) 𝑖 + 𝑤𝑒𝑛𝑡 ⋅ 𝐿𝑒𝑛𝑡 + 𝑤𝑟𝑎𝑟𝑒 ⋅ 𝐿𝑟𝑎𝑟𝑒 (3.30) 3.4.11.", "source": "Only_tez.pdf:p49"}
{"id": "c0117", "text": "Dinamik Sözde Öz-Eğitim (D-PST) D-PST sınıf başına dinamik eşikler ve güven ağırlıklı kayıp fonksiyonu kullanan iki geçişli bir algoritmadır. Birinci geçişte tüm hedef verisi üzerinde sınıf frekansı hesaplanır ve medyan frekans sınır değeri olarak alınır. Azınlık ve çoğunluk sınıfları iç in ayrı softmax eşikleri uygulanır. Sıcaklık ölçekleme ile softmax yumuşatılır. İkinci geçişte her örnek kendi sınıf eşiğine göre filtrelenir, sınıf başına bir üst örnek tavanı uygulanır. Toplam sözde etiket sayısı belirli bir alt eşiğin altına düşerse D - PST aşaması atlanarak DANN sonucu korunur. Kayıp fonksiyonu karekök yumuşatma ile güven ağırlıklıdır:", "source": "Only_tez.pdf:p49"}
{"id": "c0118", "text": "𝐿𝑃𝑆𝑇 = 𝐿𝑠𝑟𝑐 + β ⋅ 1 𝐵 ∑√𝑐𝑜𝑛𝑓𝑖 ⋅ 1 √𝑤𝑐𝑖 ⋅ 𝐿𝑓𝑜𝑐𝑎𝑙!(𝑓(𝑥𝑖 𝑡),𝑦𝑖̂) 𝑖 (3.31) Burada β sözde etiket kayıp ağırlık katsayısını, 𝑐𝑜𝑛𝑓𝑖 örnek bazlı güven değerini, 𝑤𝑐 sınıf ağırlığını ve B yığın boyutunu göstermektedir. 3.5. Eğitim Stratejisi ve Deneyler Bu bölümde DANN bileşenlerini bir arada çalıştıran üç aşamalı eğitim protokolü, deney tasarımı ve kullanılan değerlendirme metrikleri açıklanmaktadır. 3.5.1. Üç Aşamalı Eğitim Protokolü λ katsayısı sigmoid tabanlı kademeli artırma fonksiyonuyla zamanla yükseltilmiştir. Zamanlama formülü Denklem 3.32'da tanımlanmıştır: 𝑝 = 𝑒𝑝𝑜𝑐ℎ 𝑡𝑜𝑡𝑎𝑙_𝑒𝑝𝑜𝑐ℎ𝑠 , 𝜆(𝑝)= 𝜆𝑏𝑎𝑠𝑒 ⋅ ( 2 1 + 𝑒−10𝑝 − 1) (3.32) Burada p eğitim ilerleme oranını, epoch mevcut dönemi, total_epochs toplam dönem sayısını ve 𝜆𝑏𝑎𝑠𝑒 taban katsayıyı göstermektedir.", "source": "Only_tez.pdf:p50"}
{"id": "c0119", "text": "PST aşamasında alan kaybı devre dışı bırakılmıştır. Eğitim süreci üç ardışık aşamadan oluşur ve TL → DANN → D -PST sırası ile gerçekleştirilmiştir. Her aşama bir öncekinin ürettiği ağırlıkları kullanmaktadır. Birinci aşama TL kaynak alan verisi üzerinde denetimli eğitim yürütür. Kayıp fonksiyonu Focal BCE kaybı olarak, optimizasyon algoritması AdamW olarak belirlenmiştir. Girdi tensörlerine Gaussian gürültü eklenmiştir. İkinci aşama DANN, kaynak ve hedef alan v erilerini eş zamanlı işler. Kayıp fonksiyonu Focal kayıp, alan kaybı, entropi azaltma ve nadir sınıf dedektörü bileşenlerinden oluşur. Üçüncü aşama D -PST, Bölüm 3.4.11'de tanımlanan dinamik eşikli sözde etiket mekanizmasıyla yürütülür.", "source": "Only_tez.pdf:p50"}
{"id": "c0120", "text": "Bu aşamada alan çekişme kaybı devre dışı bırakılmıştır. 3.5.2. Erken Durdurma ve Öğrenme Oranı Zamanlaması Üç eğitim aşamasının her birinde erken durdurma mekanizması uygulanmıştır. Mekanizma doğrulama kümesindeki Macro -F1 skorunu her dönem sonunda izler. Sabır süresi boyunca iyileşme gözlemlenmediğinde eğitim sonlandırılır ve en yüksek skorun elde edildiği dön emdeki ağırlıklar geri yüklenir. Sabır değerleri her aşama için ayrı belirlenmiştir. Öğrenme oranı zamanlamasında TL aşamasında LinearLR ısınması uygulanmış, ardından CosineAnnealingLR zamanlayıcısı devreye girmiştir. DANN ve PST aşamalarında ısınma uygula nmamış, doğrudan CosineAnnealingLR", "source": "Only_tez.pdf:p50"}
{"id": "c0121", "text": "kullanılmıştır. Tüm eğitim aşamalarında gradyan kırpma uygulanmıştır. Gradyan vektörünün L2 normu sabit bir üst değerle sınırlandırılmıştır. 3.5.3. Deney Matrisi Üç hayvan türünün her biri sırasıyla kaynak ve hedef alan olarak atanarak altı kaynak-hedef çifti tanımlanmıştır. Her çift dört model mimarisi üzerinde yürütülmüş, her model üç ardışık eğitim aşamasından geçirilmiştir. Deney dağılımı Tablo 3. 13'de verilmiştir. Karşılaştırma için iki referans model kullanılmıştır: hedef alanda modelin sıfırdan eğitilmesi, kaynak alanda eğitilen modelin doğrudan hedef alana uygulanması. İş akışı bileşenleri (PCA, cWGAN-GP, D-PST) sırasıyla devre dışı bırakılarak ablasyon kurulumu uygulanmıştır. Tablo 3.13.", "source": "Only_tez.pdf:p51"}
{"id": "c0122", "text": "Deney Matrisi Özeti Kaynak Alan Hedef Alan Kullanılan Modeller Aşamalar Deney Sayısı Köpek Keçi BiLSTM, GRU, CNN- 1D, Transformer TL → DANN → D-PST 12 Köpek At BiLSTM, GRU, CNN- 1D, Transformer TL → DANN → D-PST 12 Keçi Köpek BiLSTM, GRU, CNN- 1D, Transformer TL → DANN → D-PST 12 Keçi At BiLSTM, GRU, CNN- 1D, Transformer TL → DANN → D-PST 12 At Köpek BiLSTM, GRU, CNN- 1D, Transformer TL → DANN → D-PST 12 At Keçi BiLSTM, GRU, CNN- 1D, Transformer TL → DANN → D-PST 12 3.6. Değerlendirme Metrikleri ve İstatistiksel Testler Bu bölümde; model performansını ölçmek, özellik uzayını değerlendirmek ve elde edilen sonuçları istatistiksel olarak karşılaştırmak amacıyla kullanılan metrikler ve testler açıklanmıştır.", "source": "Only_tez.pdf:p51"}
{"id": "c0123", "text": "3.6.1. Sınıflandırma Performansı Metrikleri Modelin tahmin performansı iki farklı yaklaşımla değerlendirilmiştir: sabit bir karar sınırına (eşiğine) dayalı ölçümler ve bu sınırdan bağımsız genel ölçümler. Sabit eşikli metrikler, modelin belirli", "source": "Only_tez.pdf:p51"}
{"id": "c0124", "text": "bir olasılık sınırını geçerek verdiği kesin kararların başarısını ölçer. Eşikten bağımsız metrikler ise tüm olası karar noktalarını hesaba katarak, modelin sınıfları birbirinden doğru şekilde ayırma ve sıralama becerisini özetler. Bu iki değerlendirme yaklaşımının birlikte sunulması, sınıflar arası performans farklılıklarının daha şeffaf görülmesini sağlamaktadır. Veri kümesindeki sınıf dağılımının dengesiz olduğu durumlarda, sadece F1 skor gibi sabit eşikli metriklerin kullanılması yanıltıcı sonuçlar verebilmektedir. Bu sorunu aşmak için eşikten bağımsız ölçütlerin de analize dahil edilmesi, modelin özellikle az örnekli sınıflardaki güvenilirliğini tarafsız bir açıyla doğrulamaya olanak tanımıştır.", "source": "Only_tez.pdf:p52"}
{"id": "c0125", "text": "Çok etiketli köpek veri kümesi Micro -F1, Macro -F1, Hamming Loss, Jaccard ve Precision/Recall metrikleriyle değerlendirilmiştir. Çok sınıflı keçi ve at veri kümelerinde Doğruluk (Accuracy), Macro -F1 ve makro Precision/Recall metrikleri kullanılmıştır. Her sınıf i için tahmin matrisinden Doğru -Pozitif (𝑇𝑃𝑖), Yanlış -Pozitif (𝐹𝑃𝑖), Yanlış -Negatif (𝐹𝑁𝑖) ve Doğru -Negatif (𝑇𝑁𝑖) birimleri çıkarılır.", "source": "Only_tez.pdf:p52"}
{"id": "c0126", "text": "Bu değerler üzerinden Precision (3.33), Recall (3.34), F1 (3.35), Macro -F1 (3.36), Micro-F1 (3.38), Hamming Loss (3.39), Jaccard (3.42), Accuracy (3.41), mikro Precision (3.37) ve mikro Recall (3.40) hesaplanır 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛𝑘 = 𝑇𝑃𝑘 𝑇𝑃𝑘 + 𝐹𝑃𝑘 (3.33) 𝐹1𝑚𝑖𝑐𝑟𝑜 = 2∑𝑇𝑃𝑘𝑘 2∑𝑇𝑃𝑘𝑘 + ∑𝐹𝑃𝑘𝑘 + ∑𝐹𝑁𝑘𝑘 (3.38) 𝑅𝑒𝑐𝑎𝑙𝑙𝑘 = 𝑇𝑃𝑘 𝑇𝑃𝑘 + 𝐹𝑁𝑘 (3.34) 𝐻𝑎𝑚𝑚𝑖𝑛𝑔𝐿𝑜𝑠𝑠𝑚𝑖𝑐𝑟𝑜 = ∑𝐹𝑃𝑘𝑘 + ∑𝐹𝑁𝑘𝑘 ∑𝑇𝑃𝑘𝑘 + ∑𝐹𝑃𝑘𝑘 + ∑𝐹𝑁𝑘𝑘 + ∑𝑇𝑁𝑘𝑘 (3.39) 𝐹1,𝑘 = 2,𝑇𝑃𝑘 2,𝑇𝑃𝑘 + 𝐹𝑃𝑘 + 𝐹𝑁𝑘 (3.35) 𝑅𝑚𝑖𝑐𝑟𝑜 = ∑𝑇𝑃𝑘𝑘 ∑(𝑇𝑃𝑘 + 𝐹𝑁𝑘)𝑘 (3.40) 𝑀𝑎𝑐𝑟𝑜𝐹1 = 1 𝐾 ∑ 𝐹1,𝑘 𝐾 𝑘=1 (3.36) 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦𝑚𝑖𝑐𝑟𝑜 = ∑𝑇𝑃𝑘𝑘 + ∑𝑇𝑁𝑘𝑘 ∑𝑇𝑃𝑘𝑘 + ∑𝐹𝑃𝑘𝑘 + ∑𝐹𝑁𝑘𝑘 + ∑𝑇𝑁𝑘𝑘 (3.41) 𝑃𝑚𝑖𝑐𝑟𝑜 = ∑𝑇𝑃𝑘𝑘 ∑(𝑇𝑃𝑘 + 𝐹𝑃𝑘)𝑘 (3.37) 𝐽𝑚𝑖𝑐𝑟𝑜 = ∑𝑇𝑃𝑘𝑘 ∑𝑇𝑃𝑘𝑘 + ∑𝐹𝑃𝑘𝑘 + ∑𝐹𝑁𝑘𝑘 (3.42) Eşikten bağımsız değerlendirme kapsamında Alıcı İşletim Karakteristik Eğrisi Altındaki Alan (ROC-AUC, Receiver Operating Characteristic Area Under Curve) ve Precision-Recall Eğrisi Altındaki Alan (PR -AUC, Precision -Recall Area Under Curve) metrikleri hesap lanmıştır.", "source": "Only_tez.pdf:p52"}
{"id": "c0127", "text": "kullanılmıştır. Karar eşiklerinin kaydırılmasıyla elde edilen Doğru Pozitif Oranı (TPR, True Positive Rate) ve Yanlış Pozitif Oranı (False Positive Rate, FPR) değerleri Denklem 3.43'te sunulmuştur: 𝑇𝑃𝑅 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁, 𝐹𝑃𝑅 = 𝐹𝑃 𝐹𝑃 + 𝑇𝑁 (3.43) Burada TP, FP, TN ve FN sırasıyla doğru pozitif, yanlış pozitif, doğru negatif ve yanlış negatif örnek sayılarını göstermektedir. ROC eğrisi altındaki alan Denklem 3.44'te tanımlandığı gibi hesaplanır: 𝑅𝑂𝐶 − 𝐴𝑈𝐶 = ∫ 𝑇𝑃𝑅(𝐹𝑃𝑅) 𝑑(𝐹𝑃𝑅) (3.44) Precision-Recall eğrisi her karar eşiği için Precision ve Recall noktasını birleştirir. Eğri altındaki alan PR-AUC olarak adlandırılır. PR-AUC, azınlık sınıflarının yer aldığı dengesiz dağılımlarda ROC - AUC'a göre daha duyarlı bir ölçüt sunar: 𝑃𝑅− 𝐴𝑈𝐶 = ∫ 𝑃(𝑅) 𝑑𝑅 (3.45) Burada 𝑃(𝑅) verili Recall değeri R için elde edilen Precision değerini ifade etmektedir 3.6.2.", "source": "Only_tez.pdf:p53"}
{"id": "c0128", "text": "Özellik Uzayı ve Kümeleme Kalitesi Öğrenilen özellik temsillerinde davranış sınıflarının ayrışması, alanların karışması ve denetimsiz kümelemenin gerçek etiketlerle uyumu nicel olarak değerlendirilmiştir. Özellik uzayında sınıfların ayrışma kalitesi Silhouette Skoru ile ölçülmüştür (Roussee uw, 1987). Skor, kümeleme yapısının ne kadar belirgin olduğunu nicelendirir. Aynı kümedeki örneklerin birbirine yakın, farklı kümelerdeki örneklerin ise uzak olduğu ölçüde yüksek değer alır. Değer aralığı [ -1, 1] olup +1 mükemmel kümelemeye, 0 küme sınırın a ve −1 yanlış kümelemeye karşılık gelir. Tek bir örnek için Silhouette Skoru Denklem 3.46'de tanımlanmıştır. 𝑠(𝑖)= 𝑏(𝑖)− 𝑎(𝑖) (𝑎(𝑖), 𝑏(𝑖)) (3.46) Burada 𝑎(𝑖) i-inci örneğin kendi kümesindeki diğer örneklere ortalama uzaklığını, 𝑏(𝑖) örneğin en yakın komşu kümedeki örneklere ortalama uzaklığını göstermektedir.", "source": "Only_tez.pdf:p53"}
{"id": "c0129", "text": "Genel skor tüm örneklerin 𝑠(𝑖) değerlerinin ortalaması olarak hesaplanır. Bu çalışmada Silhouette Skoru üç farklı amaçla kullanılmıştır. Birincisi, BTSS Ontology Discovery modülünde en uygun küme sayısının belirlenmesidir. İkincisi, davranış sınıflarına göre özellik uzayı ayrışmasının ölçümü olan Davranış Silhouette'tir. Üçüncüsü ise", "source": "Only_tez.pdf:p53"}
{"id": "c0130", "text": "hayvan türlerine göre alan karışımının ölçümü olan Alan Silhouette'tir. Davranış skorunun yüksek, Alan skorunun düşük olması alan-bağımsız ve davranış-ayırt edici bir temsile işaret etmektedir. Kümeleme tabanlı denetimsiz adaptasyon yöntemlerinin gerçek etiketlerle uyumu Düzeltilmiş Rand İndeksi (ARI, Adjusted Rand Index) ile değerlendirilmiştir (Hubert ve Arabie, 1985). ARI, model tarafından üretilen kümelerin gerçek etiketlemeyle aynı örnek çif tlerini birlikte gruplandırıp gruplandırmadığını ölçer. Elde edilen uyum, rastlantı düzeyine göre düzeltilerek gösterilir. Hesaplama Denklem 3.47'de tanımlanmıştır. 𝐴𝑅𝐼 = 𝑅𝐼 − 𝐸[𝑅𝐼] (𝑅𝐼) − 𝐸[𝑅𝐼] (3.47) Burada RI ham Rand İndeksini, E[RI] rastgele atamada beklenen Rand İndeksini ve max(RI) ulaşılabilecek üst sınırı göstermektedir.", "source": "Only_tez.pdf:p54"}
{"id": "c0131", "text": "ARI=1 mükemmel uyumu, ARI=0 rastgele atamayı ve negatif değerler rastgeleden kötü uyumu ifade etmektedir. 3.6.3. Yöntem Karşılaştırmalarının İstatistiksel Sınanması Faz (TL, DANN, D -PST) ve model (BiLSTM, GRU, CNN -1D, Transformer) karşılaştırmalarında gözlenen performans farklarının rastlantısal olup olmadığı sınanmıştır. Deneylerin normal dağılım varsayımını karşılamadığı belirlendiğinden parametrik olmayan testler tercih edilmiştir. İkili karşılaştırmalar için Wilcoxon İşaretli Sıra Testi uygulanmıştır (Wilcoxon, 1945). Test, eşleştirilmiş t -testin parametrik olmayan karşılığıdır ve iki yöntemin (örneğin TL ile DANN) aynı deneylerdeki performansları arasında sistematik bir fark bulunu p bulunmadığını değerlendirir.", "source": "Only_tez.pdf:p54"}
{"id": "c0132", "text": "Eşleştirilmiş gözlemlerin farkları işaretlerine göre ayrılır ve mutlak değerlerine göre sıralanır. Test istatistiği Denklem 3.48'da tanımlanmıştır: 𝑊 = (𝑊+,𝑊−) (3.48) Burada 𝑊+ pozitif farkların sıralama toplamını, 𝑊− negatif farkların sıralama toplamını göstermektedir. Düşük W değeri ve eşik altı p değeri gözlenen farkın rastlantısal olmadığına işaret etmektedir. Üç ya da daha fazla koşulun karşılaştırılmasında Friedman Testi uygulanmıştır (Friedman, 1937). Test, tekrarlı ölçümlü ANOVA'nın parametrik olmayan karşılığıdır ve eşleştirilmiş ölçümlerde koşullar arası sıralamanın bloklar genelinde sistematik biçimde değ işip değişmediğini sınar. Bu çalışmada üç eğitim aşamasının ve dört model mimarisinin karşılaştırılmasında kullanılmıştır.", "source": "Only_tez.pdf:p54"}
{"id": "c0133", "text": "χ𝐹 2 = 12 𝑛⋅ 𝑘 ⋅ (𝑘+ 1)∑𝑅𝑗 𝑘 𝑗=1 − 3𝑛(𝑘 + 1) (3.49) Burada n blok sayısını, k koşul sayısını ve 𝑅𝑗 j-inci koşulun bloklar genelindeki sıralama toplamını ifade etmektedir. Friedman Testi sonucu Kendall W uyum katsayısı ile birlikte sunulmuştur. Kendall W, blokların sıralamadaki tutarlılığını [0, 1] aralığında ölçer ve istatistiksel anlamlılığın ötesinde etki büyüklüğünü sayısal olarak ifade etmektedir. Hesaplama Denklem 3.50'de tanımlanmıştır: 𝑊𝐾𝑒𝑛𝑑𝑎𝑙𝑙 = 𝜒𝐹 𝑛⋅ (𝑘− 1) (3.50) W=1 tüm bloklarda sıralamanın özdeş olduğunu, W=0 sıralamanın bağımsız olduğunu göstermektedir. Friedman Testi yalnızca genel anlamlılığı belirler. Hangi koşul çiftlerinin birbirinden farklı olduğunu söylemez. Bu boşluğu kapatmak için Nemenyi Post-hoc Testi uygulanmıştır (Nemenyi, 1963).", "source": "Only_tez.pdf:p55"}
{"id": "c0134", "text": "Bu test, norma l dağılım varsayımı gerektirmeyen (parametrik olmayan) bir karşılaştırma yöntemidir ve koşullar arasındaki ortalama sıralama farkını Kritik Fark (CD, Critical Difference) ile karşılaştırır. Kritik fark Denklem 3.51'de gösterilmiştir 𝐶𝐷 = 𝑞 √𝑘(𝑘 + 1) 6𝑛 (3.51) Burada 𝑞𝛼 ölçeklendirilmiş aralık (Studentized range) dağılımından alınan kritik değeri, k koşul sayısını ve n blok sayısını göstermektedir. CD'yi aşan ortalama sıralama farkları α anlamlılık düzeyinde anlamlı kabul edilir 3.7. Açıklanabilirlik Analizi Bu bölümde, eğitilen modellerin karar süreçlerini öznitelik düzeyinde inceleyen SHAP (SHapley Additive exPlanations) yöntemi tanıtılmaktadır (Lundberg ve Lee, 2017). Her özniteliğin model çıktısına olan katkısını tek bir skor olarak özetler.", "source": "Only_tez.pdf:p55"}
{"id": "c0135", "text": "SHAP değeri, bir özniteliğin model çıktısına ortalama marjinal katkısı olarak Denklem 3.52'de tanımlanır: 𝜙𝑖 = ∑ |𝑆|! ⋅ (|𝑁| − |𝑆| − 1)! |𝑁|! 𝑆⊆𝑁∖{𝑖} ⋅ [𝑣(𝑆 ∪ {𝑖})− 𝑣(𝑆)] (3.52) Burada N tüm özniteliklerin kümesini, S i özniteliği dışında kalan herhangi bir alt kümeyi, v(·) söz konusu alt küme verildiğinde model çıktısını ve φᵢ ise i. özniteliğin Shapley değerini göstermektedir.", "source": "Only_tez.pdf:p55"}
{"id": "c0136", "text": "Tüm olası alt küme bileşimleri üzerinden ağırlıklı ortalama alındığı için Shapley değeri tek bir özniteliğin model çıktısına olan toplam katkısını adil biçimde dağıtır. SHAP yönteminde toplam çıktı, taban değer ve özniteliklerin SHAP katkılarının toplamı olarak Denklem 3. 53'da gösterildiği biçimde ifade edilir: 𝑔(𝑥)= 𝜙0 + ∑ 𝜙𝑖 𝑀 𝑖=1 (3.53) Burada φ₀ taban değer (referans veri kümesinin model çıktısı ortalaması), M öznitelik sayısı ve φᵢ i. özniteliğin katkısıdır. Bu çalışmada, türler arası transfer için eğitilen 24 model konfigürasyonunun (altı kaynak-hedef çifti × dört mimari) her biri için ayrı bir SHAP analizi gerçekleştirilmiştir. Her senaryo için SHAP değerlerini Bölüm 3.2.3'te tanımlanan 98 öznitelik adına göre hesaplanmıştır.", "source": "Only_tez.pdf:p56"}
{"id": "c0137", "text": "Çoklu sınıf çıkışı üzerinden öznitelik bazlı önem skoru, mutlak SHAP değerlerinin tüm açıklama örnekleri ve sınıflar boyunca ortalaması olarak Denklem 3.20'de tanımlanmıştır: 𝐼𝑗 = 1 𝑁 ⋅ 𝐶 ∑ ∑|𝜙𝑗,𝑐(𝑥𝑛)| 𝐶 𝑐=1 𝑁 𝑛=1 (3.54) Burada N açıklama alt küme boyutunu , C sınıf sayısını, 𝜑𝑗,𝑐(𝑥𝑛) ise n. açıklama örneğinin c. sınıfı için j. özniteliğinin SHAP değerlerini göstermektedir. 𝐼𝑗 skoru j. özniteliğin model kararına ortalama mutlak katkısını verir; yüksek 𝐼𝑗 değeri özniteliğin sınıflandırma kararında daha belirleyici olduğunu ifade eder. SHAP analizinin sayısal sonuçları ve biyomekanik yorumlamaları Bölüm 4.5'te sunulmaktadır.", "source": "Only_tez.pdf:p56"}
{"id": "c0138", "text": "4. BULGULAR VE TARTIŞMA Bu bölümde Bölüm 3'te tanımlanan deneysel düzenin sonuçları sunulmaktadır. Sistemin genel akışı Şekil 3.1'de gösterilmiştir . Deney matrisi 6 kaynak -hedef çifti, 4 model mimarisi ve 3 eğitim aşamasıyla toplam 72 deneyden oluşmaktadır. İlk olarak veri ön işleme aşamalarının ürettiği bulgular ele alınmıştır. Ardından önerilen mimarinin temsil kalitesi ve hedef etiket ağırlığı duyarlılığı değerlendirilmiştir. Üçüncü olarak altı kaynak -hedef çifti üzerin deki transfer performansı, mimari ve davranış bazlı analizlerle sunulmuştur. Son olarak elde edilen sonuçlar literatürle karşılaştırılmış ve çalışmanın sınırlılıkları tartışılmıştır. 4.1. Veri Ön İşleme Bulguları ve Tasarım Gerekçeleri Bölüm 3'te tanımlanan etiket eşleme kararları yalnızca literatür bilgisine ve biyomekanik sezgiye dayanmaz.", "source": "Only_tez.pdf:p57"}
{"id": "c0139", "text": "Kararların sensör uzayındaki geçerliliği BTSS Ontology Discovery modülü aracılığıyla veri düzleminde doğrulanmıştır. Bu bölümde JSD uzaklık matrisle ri, pencereleme çıktısı, veri temizleme ve dengeleme sonuçları sunulmaktadır. Ardından PCA strateji seçimi ve veri işleme hattı bileşenlerinin katkı analizi sunulmuştur. 4.1.1. Ontoloji Doğrulama BTSS Ontology Discovery modülü, ham etiket düzeyinde sensör imzası benzerliğini ölçen JSD uzaklık matrisleri üretmektedir (yöntem detayı için Bölüm 3.4.9).", "source": "Only_tez.pdf:p57"}
{"id": "c0140", "text": "Şekil 4.3. Ham Etiket Düzeyinde JSD Uzaklık Matrisleri. Keçi (16 ham etiket) × At (17 ham etiket) Şekil 4.1, 4.2 ve 4.3'da siyah kalın çizgiler ontoloji sınıf sınırlarını göstermektedir. Aynı ontoloji sınıfına ait ham etiketlerin blok içi ortalama JSD değeri 0,42 olarak hesaplanmıştır. Farklı bloklar arası ortalama değer ise 0,52 düzeyindedir. Bu fark, ontolojinin literatür bilgisinin yanı sıra ölçülebilir sensör dağılımı benzerliğine de dayandığını göstermektedir. Tırıs sınıfına dahil edilen keçi \"climbing_down\" ve \"climbing_up\" etiketleri, at tırıs sütunlarıyla 0,37–0,46 aralığında JSD değeri üretmektedir. Yeme sınıfına atanan keçi \"brest_feeding\" etiketi, at \"grazing\" ve \"eating\" sütunlarıyla 0,38 –0,42 aralığında örtüşmektedir.", "source": "Only_tez.pdf:p60"}
{"id": "c0141", "text": "Sallama sınıfındaki keçi \"scratch_biting\" etiketi ile at \"shaking\" sütunu arasındaki JSD aralığı 0,37 –0,44 düzeyindedir. Bu örtüşmeler etiket birleştirmenin sensör imzası bakımından tutarlı olduğuna işaret etmektedir. .", "source": "Only_tez.pdf:p60"}
{"id": "c0142", "text": "Şekil 4.6. Türler Arası Ontoloji Davranış Sınıfları Ortalama JSD Uzaklık Matrisleri. Keçi → At Şekil 4.4, 4.5 ve 4.6'da her hücre, kaynak ile hedef tür arasında aynı ontoloji davranış sınıfının sensör özellik dağılımları için ortalama JSD uzaklığını göstermektedir. Düşük değer türler arası benzer sensör imzasına ve dolayısıyla yüksek transfer edilebilirliğe işaret etmektedir. Tüm hesaplanan değerler 0,37–0,62 aralığında yoğunlaşmaktadır. Hiçbir sınıf çifti tamamen ayrışmamaktadır. Keçi→At çifti en düşük ortalama diyagonal JSD değerine (0,444) sahiptir (Şekil 4.13). Running sınıfı tüm çiftlerde en düşük diyagonal değerleri üretmiştir (Köpek→Keçi: 0,404, Köpek→At: 0,420, Keçi→At: 0,414). Trotting sınıfı 0,439 –0,460 aralığındaki düşük diyagonal değerleriyle güçlü transfer adayı konumundadır.", "source": "Only_tez.pdf:p63"}
{"id": "c0143", "text": "Walking sınıfının Keçi→At diyagonal değeri 0,418 ile matristeki en düşük tek hücre değerini oluşturmaktadır. Köpek kaynaklı çiftlerde aynı sınıfın değerleri 0,484–0,494'e yükselmektedir. Bu fark, köpeğin küçük vücut kütlesinden ve dört zamanlı yürüyüş frekansının diğer türlerden ayrışmasından kaynaklanmaktadır. Eating sınıfı orta düzey diyagonal değerleri üretmiştir (0,432 – 0,506). Standing sınıfı ise tüm çiftlerde en yüksek diyagonal değerleri sergilemiştir (Köpek→Keçi: 0,498, Köpek→At: 0,556, Keçi→At: 0,534). Standing sınıfı oturma, yatma ve durma gibi farklı postürleri birleştirdiğinden türe özgü iskelet yapısı farklı denge ivmesi profillerine yol açmaktadır. JSD", "source": "Only_tez.pdf:p63"}
{"id": "c0144", "text": "matrisleri iki bulguya işaret etmektedir. Birincisi, Running, Trotting ve Walking sınıflarının diyagonal değerleri 0,40–0,46 aralığında kalarak türler arası lokomotor benzerliği desteklemektedir. İkincisi, ham etiket matrislerinde blok içi ortalama JSD değeri (0,42) bloklar arası ortalamadan (0,52) 0,10 puan düşüktür. Bu fark, etiket birleştirmenin sensör uzayında da geçerli olduğunu göstermektedir. 4.1.2. Pencereleme ve Temizleme İstatistikleri Pencereleme ve bölme işlemleri tamamlandıktan sonra altı sınıflı dağılımın ham satırdan pencereye nasıl değiştiği Tablo 4.1'de gösterilmektedir. Azınlık takviye geçişinin azınlık sınıflardaki temsil oranını belirgin biçimde artırdığı görülür. Tablo 4.1.", "source": "Only_tez.pdf:p64"}
{"id": "c0145", "text": "Ontoloji Sonrası 6-Sınıf Dağılımı: Ham Satır ve Pencere Karşılaştırması A) Köpek (Çok Etiketli) Sınıf Ham Satır Ham Oran (%) Pencere Pencere Oran (%) Fark Eating 377.480 4,6 287.233 5,8 +1,2 Shaking 42.047 0,5 36.737 0,7 +0,2 Standing 4.755.740 58,2 2.274.018 45,7 -12,5 Trotting 764.540 9,4 637.491 12,8 +3,4 Walking 2.013.960 24,6 1.579.090 31,7 +7,1 Running 216.674 2,7 162.909 3,3 +0,6 TOPLAM 8.170.441 100,0 4.977.478 100,0 B) Keçi (Tek Etiketli) Sınıf Ham Satır Ham Oran (%) Pencere Pencere Oran (%) Fark Eating 23.854.911 36,4 2.177.163 28,7 -7,7 Shaking 564.936 0,9 356.313 4,7 +3,8 Standing 26.058.818 39,8 2.254.190 29,8 -10,0 Trotting 1.430.779 2,2 1.014.163 13,4 +11,2 Walking 12.801.506 19,5 1.130.164 14,9 -4,6 Running 794.419 1,2 643.063 8,5 +7,3 TOPLAM 65.505.369 100,0 7.575.056 100,0 C) At (Tek Etiketli) Sınıf Ham Satır Ham Oran (%) Pencere Pencere Oran (%) Fark Eating 2.086.567 19,5 176.852 10,2 -9,3 Shaking 156.139 1,5 100.597 5,8 +4,3", "source": "Only_tez.pdf:p64"}
{"id": "c0146", "text": "Standing 623.823 5,8 533.174 30,6 +24,8 Trotting 2.910.088 27,2 242.916 14,0 -13,2 Walking 4.435.754 41,5 365.613 21,0 -20,5 Running 464.204 4,3 321.359 18,5 +14,2 TOPLAM 10.676.575 100,0 1.740.511 100,0 Keçi Shaking sınıfı ham veride %0,9 oranında temsil edilmektedir. Pencereleme sonrası bu oran %4,7'ye çıkmıştır. Yaklaşık beş katlık artış, takviye geçişinin kısa süreli ve nadir davranışları yakalamadaki katkısına işaret etmektedir. Tablo 4.2'de sunulan temizleme istatistikleri, orijinal eğitim pencerelerinde Köpek için %14,2, Keçi için %7,2 ve At için %0,5 oranında küçülme olduğunu göstermektedir. Tablo 4.2. Veri Temizleme İstatistikleri Veri kümesi Ham Eğitim Penceresi Temizleme Kaybı Net Eğitim Penceresi Kayıp (%) Köpek 4.960.199 706.500 4.253.699 %14,2 Keçi 4.158.772 301.345 3.857.427 %7,2 At 1.265.706 6.752 1.258.954 %0,5 Not: Temizleme kaybı; SRP destekli Mahalanobis aykırı değer tespiti, ENN ve Tomek Links algoritmalarının bileşik uygulamasından kaynaklanmaktadır.", "source": "Only_tez.pdf:p65"}
{"id": "c0147", "text": "Test kümesi bu aşamada temizleme işlemine tabi tutulmamıştır. At veri kümesindeki %0,5 kayıp düşük düzeydedir. DANN'ın GRL mekanizması gürültülü özellikleri alan ayrımcısı üzerinden baskıladığından sınırlı ön -temizlemenin sonuçlara etkisi hafiflemiştir. Köpek veri kümesindeki %14,2'lik kayıp ise çok etiketli yapının sınır bölgelerinde daha fazla karmaşık pencere barındırmasından kaynaklanmaktadır. 4.1.3. Sınıf Dengeleme Bulguları Uygulanan dengeleme stratejileri model eğitiminde kullanılacak nihai veri dağılımlarını üretmiştir. Dengeleme hedefleri her veri kümesinin kendi hacmine orantılı olarak geometrik ortalama fonksiyonu ile belirlenmiştir. Strateji özetleri Tablo 4.3'de, üç tür için nihai sınıf dağılımları ise Tablo 4.3'te sunulmaktadır.", "source": "Only_tez.pdf:p65"}
{"id": "c0148", "text": "Tablo 4.3. Eğitim Kümesi Dengeleme Sonuçları Veri kümesi Uygulanan Dengeleme Stratejisi Hedef (Geometrik Ortalama) Sınıf Aralığı Toplam Eğitim Örneği Keçi cWGAN-GP + K-Means 593.045 384.661 – 593.045 ~3.315.000 At ENN + cWGAN-GP + K- Means 163.869 93.501 – 163.869 ~824.887 Köpek Proto-Selection + MLSMOTE + ENN 376.974 (per-label) 39.318 – 412.885 992.522 Tablo 4.4. Köpek Veri kümesi Dengeleme Sonrası Nihai Sınıf Dağılımı Sınıf Köpek Keçi At Eating 155.288 593.045 93.501 Shaking 39.318 384.661 109.243 Standing 412.885 593.045 163.869 Trotting 161.636 593.045 130.536 Walking 324.887 558.156 163.869 Running 95.474 593.045 163.869 TOPLAM 992.522 3.315.000 824.887 Max/Min Oranı 10,5:1 1,5:1 1,8:1 Köpek veri kümesindeki Max/Min oranı (10,5:1), Keçi (1,5:1) ve At (1,8:1) veri kümelerine göre belirgin biçimde yüksektir.", "source": "Only_tez.pdf:p66"}
{"id": "c0149", "text": "Bu kalıcı dengesizlik, köpek hedefli transfer çiftlerinde görece düşük F1 skor performansının yapısal kaynağı niteliğindedir (Bkz. Bö lüm 4.3). Shaking sınıfı F1 Skor=0,39 değeriyle en düşük performansı sergilemiştir. 4.1.4. Öznitelik Uzayı Seçimi Bölüm 3'te tanımlanan veri işleme adımlarından PCA dönüşümü, Köpek veri kümesi üzerinde eğitilen tek bir model üzerinden tüm alanlara uygulanmıştır . Köpek verisinin çok etiketli yapısı ve görece dengeli sınıf dağılımı bu tercihin gerekçesini oluşturmaktadır. Farklı türlerin PCA modellerinin transfer performansına etkisi ayrıca incelenmiştir. Dört PCA stratejisi karşılaştırılmıştır: yalnızca Köpek verisine uyarlanmış model (Köpek PCA), Keçi verisine uyarlanmış model (Keçi PCA), At verisine uyarlanmış model (At PCA) ve üç türün birleştirilmiş verisine uyarlanmış model (Combined PCA).", "source": "Only_tez.pdf:p66"}
{"id": "c0150", "text": "PCA uzayının transfer uygunluğu derin öğrenme modellerinden bağımsız olarak Lojistik Regresyon sınıflandırıcısıyla test edilmiştir. Altı kaynak -hedef çifti üzerinde elde edilen ortalama transfer F1 skor değerleri Tablo 4.5'da sunulmaktadır.", "source": "Only_tez.pdf:p66"}
{"id": "c0151", "text": "Tablo 4.5. PCA Stratejilerine Göre Lojistik Regresyon Transfer Sonuçları (6 Çift Ortalaması) PCA Stratejisi Boyut Ort. Transfer F1 skor Köpek PCA 59d 0,265 Keçi PCA 61d 0,307 At PCA 61d 0,301 Combined PCA 62d 0,263 Keçi PCA, 0,307 ortalama F1 skor ile en yüksek transfer performansını sağlamıştır. Köpek PCA'ya göre %16'lık iyileşme elde edilmiştir. At PCA 0,301 ile ikinci sıradadır. Combined PCA ise 0,263 ile en düşük değeri üretmiştir. Keçi ve At veri kümelerinin tek etiketli yapısı, PCA dönüşümünde davranış varyansını daha saf biçimde koruyan bileşenler üretmektedir. Köpek verisindeki eşzamanlı davranış etiketleri ise karışık varyans bileşenlerine neden olarak alanlar arası geçişi güçleştirmektedir.", "source": "Only_tez.pdf:p67"}
{"id": "c0152", "text": "Combined PCA'nın beklentilerin aksine en düşük değeri vermesi, birleşik uzayda türe özgü varyansın davranış varyansını baskıladığı şeklinde yorumlanabilir. Köpek→At çiftinde BiLSTM -Attention modeliyle Köpek PCA ve Keçi PCA karşılaştırılmıştır. Farklı eğitim yöntemlerindeki sonuçlar Tablo 4.6'de yer almaktadır Tablo 4.6. PCA Stratejisinin Derin Öğrenme Yöntemlerine Etkisi (Köpek→At, BiLSTM) Yöntem Köpek PCA F1 skor (makro) Keçi PCA F1 skor (makro) Fark TL-only 0,33 0,31 +0,02 (Köpek) DANN unsup (w_tgt=0) 0,03 0,14 +0,11 (Keçi) K-Means Head 0,40 0,32 +0,08 (Köpek) DANN semi (w_tgt=0,2) 0,72 0,80 +0,08 (Keçi) PCA uzayının etkisi eğitim yöntemine göre yön değiştirmektedir. TL ve K -Means Head yöntemlerinde Köpek PCA daha iyi sonuç vermiştir.", "source": "Only_tez.pdf:p67"}
{"id": "c0153", "text": "Denetimsiz ve yarı -denetimli DANN'da ise Keçi PCA üstün gelmiştir. TL modeli Köpek PCA uzayında eğitildiğinden özellik çıka rıcı bu uzaya en iyilenmiş durumdadır. Dondurulmuş çıkarıcıya dayanan yöntemlerde Köpek PCA avantajlıdır. DANN eğitimi ise hedef etiketleriyle birlikte yeni uzaya uyarlanma kapasitesi taşır. Keçi PCA'nın saf davranış varyansı bu uyarlanma sürecinde daha verimli bir başlangıç noktası oluşturmaktadır. Denetimsiz DANN'da fark özellikle dikkat çekicidir. Köpek PCA ile 0,03 olan F1 skor, Keçi PCA ile 0,14'e yükselerek dört kattan fazla artış göstermiştir. GRL'nin alan hizalama baskısı altında Keçi PCA'nın temiz varyans yapısı negatif transferi kısmen hafifletmektedir. Yine de 0,14 değeri uygulamalı kullanım için yetersiz kalmaktadır.", "source": "Only_tez.pdf:p67"}
{"id": "c0154", "text": "Tablo 4.7. PCA Boyut Sayısına Göre Keçi Test Kümesi Performansı (Keçi PCA) Boyut Açıklanan Varyans F1 skor 5d %55 0,564 14d %78 0,578 30d %92 0,623 61d %99 0,647 Boyut artışı performansı tutarlı biçimde iyileştirmektedir. 5 boyuttan 30 boyuta geçişte F1 skoru 0,059 puan artmış ve açıklanan varyans %55'ten %92'ye yükselmiştir. 30 boyuttan 61 boyuta geçişte ise 31 ek boyut yalnızca 0,024 puanlık artış getirmiştir. Azalan getiri eğrisi 30 boyuttan sonra belirginleşir. En yüksek F1 skoru %99 varyans eşiğinde elde edilmiş olmakla birlikte, bu kazanım 72 deneyin tamamında oluşacak ek hesaplama yükünü karşılayacak büyüklükte değildir. Çalışmadaki tüm deneyler, hesaplama ma liyeti ile bilgi korunumu arasındaki dengeyi gözeterek %95 varyans eşiğiyle yürütülmüştür.", "source": "Only_tez.pdf:p68"}
{"id": "c0155", "text": "Köpek eğitim kümesi üzerinde fit edilen PCA modeli bu eşik altında 98 özniteliği 59 bileşene indirgemiş; korunan toplam varyans %99,04 olmuştur 4.2. Mimari ve Eğitim Tasarımının Değerlendirmesi Bu bölümde önerilen derin öğrenme mimarisinin temsil kalitesi Silhouette analizi ile incelenmiştir. Ardından yarı -denetimli ve denetimsiz alan uyarlaması yaklaşımları sistematik olarak karşılaştırılmıştır. GRL mekanizmasının negatif transfer eğilimi, hedef etiket ağırlığı ablasyonu ve alternatif denetimsiz yöntemler bu çerçevede ele alınmıştır. 4.2.1. Model Temsillerinin Karşılaştırması Veri işleme hattının her aşamasında özellik uzayının kalitesi Silhouette analizi ile ölçülmüştür (metrik tanımı için Bölüm 3.6.2).", "source": "Only_tez.pdf:p68"}
{"id": "c0156", "text": "Davranış Silhouette skoru sınıflar arası ayrışmayı, Alan (Domain) Silhouette skoru türler arası karışmayı ifade etmektedir. B eş aşamada elde edilen değerler Tablo 4.8'de sunulmuştur. Tablo 4.8. Veri İşleme Aşamalarına Göre Silhouette Analizi Aşama Boyut Davranış Silhouette Domain Silhouette Oran raw6d 6 −0,108 +0,258 1,563 stat98d 98 +0,011 +0,028 0,691 pca59d 59 +0,063 +0,062 0,670 tl_512d 512 +0,233 +0,010 0,623 dann_512d 512 +0,193 +0,052 0,588", "source": "Only_tez.pdf:p68"}
{"id": "c0157", "text": "Şekil 4.7, 4.8 ve 4.9'da 6 davranış sınıfının dört farklı temsil uzayındaki dağılımı gösterilmiştir . Her şekil iki sıra ve üç sütundan oluşan altı panele sahiptir; üst sıra Eating, Shaking ve Standing davranışlarını, alt sıra ise Trotting, Walking ve Running davranışlarını içerir. Tüm şekillerde renk kodlaması ortaktır: mavi noktalar köpe k verisini, yeşil noktalar keçi verisini ve kırmızı noktalar at verisini temsil etmektedir. Her panelin yatay ekseni birinci temel bileşeni , düşey ekseni ise ikinci temel bileşeni göstermektedir; eksen etiketlerindeki yüzde değerleri ilgili bileşenin açıkladığı varyans oranını verir. Verilere panel öncesinde alan -bazlı (per-domain) z-skoru normalizasyonu uygulanmış, ardından PCA ile iki boyuta indirgenmiştir.", "source": "Only_tez.pdf:p69"}
{"id": "c0158", "text": "Şekil 4.7. Veri Temsil Uzaylarının Görselleştirilmesi (Ham IMU Verileri) Bu temsilde her pencerenin altı sensör kanalı üzerinden alınan ortalama değer kullanılmıştır. Standing panelinde mavi (köpek) ve kırmızı (at) noktalar dikey eksen boyunca farklı bölgelerde yoğunlaşırken yeşil (keçi) noktalar bu iki kümenin arasında konumlanmaktadır. Lokomotor davranışları içeren Trotting, Walking ve Running panellerinde üç türe ait noktalar büyük ölçüde iç içe geçmiştir. Shaking panelinde tüm türler dar bir şerit boyunca toplanmış olup tür -bazlı ayrışma neredeyse yoktur. Bu durum ham sensör ortalamalarının türler arası benzerlik bilgisini taşıdığını ancak davranış sınıflarını ayrıştırmak için yetersiz kaldığını göstermektedir.", "source": "Only_tez.pdf:p69"}
{"id": "c0159", "text": "Şekil 4.8. Veri Temsil Uzaylarının Görselleştirilmesi (İstatistiksel özellikler) Her sensör kanalından çıkarılan zaman ve frekans alanı istatistiksel öznitelikleri (toplam 98 boyut) iki temel bileşene indirgenmiştir. Eating panelinde mavi (köpek) noktalar grafiğin sağ tarafında, yeşil (keçi) noktalar merkezde ve kırmızı (at) noktalar sol bölgede ayrı kümeler oluşturmaktadır . Shaking panelinde benzer şekilde üç tür yatay eksen boyunca farklı bölgelerde toplanır. Trotting panelinde mavi, yeşil ve kırmızı noktalar birbirinden farklı kollarda yer alır. Walking ve Running panellerinde tür -bazlı ayrışma daha zayıftır; ancak ham ver i ile karşılaştırıldığında sınıflar arası örtüşmenin azaldığı görülmektedir.", "source": "Only_tez.pdf:p70"}
{"id": "c0160", "text": "İstatistiksel özniteliklerin sinyal dinamiklerini ham ortalamalardan daha iyi temsil ettiği ve türler arası farklılıkları daha belirgin biçimde yansıttığı sonucuna ulaşılmıştır.", "source": "Only_tez.pdf:p70"}
{"id": "c0161", "text": "Şekil 4.9. Veri Temsil Uzaylarının Görselleştirilmesi (PCA uzayı (59d)) Bu temsilde 98 boyutlu istatistiksel öznitelik kümesi köpek verisi üzerinde eğitilmiş ortak PCA modeli ile 59 boyuta indirgenmiş, ardından iki boyuta izdüşürülmüştür. Standing panelinde üç tür birbirinden ayrı üç ayrı küme oluşturmaktadır: yeşil (keçi) noktalar sol bölgede, mavi (köpek) noktalar merkezde ve kırmızı (at) noktalar sağ bölgede yoğunlaşır . Eating ve Shaking panellerinde kırmızı (at) noktaların diğer iki türden ayrı bir bölgede konumlandığı, mavi (köpek) ile yeşil (keçi) noktaların ise kısmen örtüştüğü gözlenmektedir. Trotting panelinde keçi yeşil sol alt köşede sıkışık bir küme oluştururken at kırmızı diagonal bir bant boyunca dağılmaktadır.", "source": "Only_tez.pdf:p71"}
{"id": "c0162", "text": "Walking ve Running panellerinde üç tür benzer merkezde toplanır ancak yine de tür -bazlı yoğunlaşma noktaları görülebilmektedir. Ortak PCA uzayının türler arası ayrışmayı azaltıp davranış sınıfı bazlı ort ak yapıyı koruduğu görülmektedir; bu özellik alan adaptasyonunun temel beklentisi ile uyumludur. Ham sinyal aşamasında (raw6d) Davranış Silhouette skoru −0,108 olarak hesaplanmıştır. Negatif değer, ham ivmeölçer ve jiroskop verisinin davranışları ayırt edemediğini göstermektedir. Alan Silhouette skoru ise +0,258 ile yüksek çıkmıştır. Farklı hayvan tür leri ham sinyal uzayında ayrışmaktadır. Oran değeri 1,563 ile tüm aşamaların en yükseğidir. Ham veride türler birbirinden uzak, davranışlar ise iç içedir.", "source": "Only_tez.pdf:p71"}
{"id": "c0163", "text": "İstatistiksel özellik çıkarma (stat98d) ile Davranış Silhouette skoru pozitife dönmüştür (+0,011). Alan skoru 0,258'den 0,028'e düşmüştür. Kanal başına hesaplanan istatistiksel özellikler ham sinyaldeki türe özgü frekans ve genlik farklarını yumuşatmaktadır. Yumuşatma alanlar arası mesafeyi daraltmıştır. Oran 0,691'e gerilemiştir. Bu geçiş özellik mühendisliğinin alan kaymasını azaltmadaki katkısını göstermektedir.", "source": "Only_tez.pdf:p71"}
{"id": "c0164", "text": "PCA aşamasında (pca59d) boyut 98'den 59'a düşürülmüştür. Davranış skoru 0,063'e yükselmiş, Alan skoru 0,062 düzeyinde kalmıştır. Köpek veri kümesi üzerinden eğitilen ortak PCA modeli tüm alanlara uygulanmıştır. Bu uygulama türler arası varyansı sıkıştırarak davranış ayrımını iyileştirmiştir. Oran 0,670 olarak hesaplanmıştır. TL modeli 512 boyutlu özellik uzayında en yüksek Davranış Silhouette skorunu (+0,233) ve en düşük Alan skorunu (+0,010) üretmiştir. Bu değerler TL'nin kaynak alan üzerinde davranış ayrımını öğrendiğini ve alan bilgisini soyutladığını göstermektedir. DANN temsillerinde Davranış skoru +0,193'e gerilemiş, Alan skoru +0,052'ye yükselmiştir. Oran değerleri TL'de 0,623 ve DANN'da 0,588 olarak hesaplanmıştır.", "source": "Only_tez.pdf:p72"}
{"id": "c0165", "text": "DANN'ın oranı az farkla daha düşüktür. Sonuçlar dikkat çekici bir karşıtlık ortaya koymaktadır. TL modeli daha iyi temsil kalitesine sahiptir ancak ortalama F1 skoru 0,33 düzeyinde kalmıştır. DANN ise daha düşük temsil kalitesine rağmen 0,71 F1 skoruna ulaşmıştır. Karşıtlığın kaynağı, TL modelinin sınıflandırma başlığının yalnızca kaynak alan üzerinde eğitilmesidir. Özellik çıkarıcı katman türler arası ortak temsiller üretmektedir. Sınıflandırma başlığı ise bu temsilleri hedef alan bağlamında kullanacak biçimde ayarlanmamıştır. Şekil 4.10. Kaynak ve hedef alan örneklerinin özellik uzayındaki örtüşmesi DANN'ın F1 skor üstünlüğü temsil kalitesinden değil, hedef alan etiketlerinin w_tgt=0,2 ağırlığıyla kayıp fonksiyonuna dahil edilmesinden kaynaklanmaktadır.", "source": "Only_tez.pdf:p72"}
{"id": "c0166", "text": "Sınıflandırma başlığı hedef alan örneklerini de görerek ayarlanmıştır. Silhouette analizi iki temel bulguya işaret etmektedir. Birincisi, temsil kalitesi ile sınıflandırma performansı doğrudan orantılı değildir. İkincisi, başlık katmanının ayarlanması en az temsil kalitesi kadar belirleyicidir.", "source": "Only_tez.pdf:p72"}
{"id": "c0167", "text": "4.2.2. Hedef Etiket Ağırlığı Ablasyonu Önceki bölümlerde sunulan DANN sonuçları, hedef alan etiketlerinin w_tgt=0,2 ağırlığıyla kullanıldığı yarı -denetimli bir çerçeveye dayanmaktadır. Gerçek uygulama senaryolarında hedef alan etiketlerine erişim sınırlı veya imkansız olabilir. Bu bölümde hedef etiket ağırlığının (w_tgt) sistematik olarak değiştirildiği ablasyon deneyleri ve tamamen denetimsiz alternatif yöntemler incelenmektedir. Köpek→At çifti üzerinde BiLSTM -Attention modeliyle gerçekleştirilen w_tgt ablasyon sonuçları Tablo 4.9'te sunulmuştur. Tablo 4.9. w_tgt Ablasyon Sonuçları (Köpek→At, BiLSTM-Attention) w_tgt F1 skor (makro) Doğruluk 0,00 0,03 0,20 0,01 0,63 — 0,10 ~0,70 — 0,20 0,72 0,85 1,00 0,74 0,86 w_tgt=0,00 koşulunda F1 skoru 0,03'e düşmüştür.", "source": "Only_tez.pdf:p73"}
{"id": "c0168", "text": "Bu değer rastgele tahminin altında kalmakta ve modelin hedef alan üzerinde işlevsel olarak çöktüğüne işaret etmektedir. w_tgt parametresi 0,01'e yükseltildiğinde F1 skoru 0,63'e sıçramıştır. Yalnızca %1'lik b ir hedef etiket ağırlığının bu ölçüde belirgin bir fark oluşturması sistemin hedef alan bilgisine duyarlılığını göstermektedir. w_tgt 0,10 ve üzerinde performans artışı doygunluğa ulaşmaktadır. 0,20 ile 1,00 arasındaki F1 skor farkı yalnızca 0,02 puandır. Hedef etiket bilgisinin marjinal katkısı düşük ağırlıklarda yoğunlaşmaktadır. Belirli bir eşikten sonra ek katkı sağlanmamaktadır. Bu sonuçların etiket sızıntısından kaynaklanmadığı ayrıca doğrulanmıştır. Değerlendirme yükleyicisi (eval_loader) tamamen kaldırılarak deneyler yinelenmiştir.", "source": "Only_tez.pdf:p73"}
{"id": "c0169", "text": "Aynı örüntü gözlenmiş olup w_tgt=0 koşulunda F1 Skor=0,02 ve w_tgt=0,01 koşulunda F1 Skor=0,38 değerleri elde edilmiştir. Mutlak değerler farklı olmakla birlikte sıçrama örüntüsü korunmuş ve sızıntı olasılığı dışlanmıştır. w_tgt=0 koşulundaki çöküşün mekanizması, hedef alan kayıp fonksiyonu (tgtFocal) izlenerek incelenmiştir. Tablo 4.10'te iki koşulun eğitim sürecindeki kayıp değerleri karşılaştırılmaktadır. Tablo 4.10. Eğitim Sürecinde tgtFocal Kayıp Değişimi Koşul tgtFocal (Başlangıç) tgtFocal (Son) Eğilim w_tgt=0 1,41 4,35 Artış w_tgt=0,01 1,27 0,71 Düşüş", "source": "Only_tez.pdf:p73"}
{"id": "c0170", "text": "w_tgt=0 koşulunda tgtFocal değeri 1,41'den 4,35'e yükselmiştir. Bu artış, modelin eğitim boyunca hedef alan performansını iyileştirmek yerine aktif biçimde bozduğunu göstermektedir. GRL, özellik çıkarıcıyı alan ayırt edilemez temsiller üretmeye zorlamaktad ır. Bu süreçte kaynak alanda öğrenilmiş ayırt edici örüntüler de ortadan kalkmaktadır. Hedef alan kaybının geri yayılıma dahil edilmemesi, yıkıcı süreci dengeleyecek bir sinyalin bulunmaması anlamına gelmektedir. w_tgt=0,01 koşulunda tgtFocal 1,27'den 0,71'e düşmüştür. Düşük düzeyde de olsa hedef etiket bilgisinin kayıp fonksiyonuna eklenmesi, özellik çıkarıcının alan bağımsızlık ile davranış ayrımı arasında denge kurmasını sağlamaktadır. TL modelinin (GRL olmadan, w_tgt=0) 0,33 F1 skor elde etmesi bu mekanizmayı doğrulayan ek bir bulgudur.", "source": "Only_tez.pdf:p74"}
{"id": "c0171", "text": "GRL kullanılmayan TL mevcut bilgiyi korurken denetimsiz DANN (GRL etkin, w_tgt=0) 0,03 F1 skor ile aktif bozulmaya neden olmuştur. GRL'nin alan bağımsız lık baskısı, hedef etiket sinyali olmadığında negatif transfer üretmektedir 4.2.3. Denetimsiz Öğrenme Yöntem Karşılaştırması GRL'nin denetimsiz koşulda ortaya çıkardığı negatif transferin aşılıp aşılamayacağı alternatif yöntemlerle sınanmıştır. Karşılaştırma Köpek→At çiftinde BiLSTM -Attention modeli üzerinden gerçekleştirilmiştir. Sonuçlar Tablo 4.11'te sunulmaktadır. Tablo 4.11. Denetimsiz ve Yarı-Denetimli Yöntem Karşılaştırması (Köpek→At, BiLSTM) Yöntem Makro F1 skor Açıklama DANN unsup (w_tgt=0) 0,03 GRL negatif transfer CDA unsup 0,005 Batch centroid gürültülü PA-DANN unsup 0,012 K-Means güven skoru düşük Entropi (w_ent=0,1) 0,13 Yanlış sınıfa emin oluyor Entropi (w_ent=0,5) 0,006 Daha güçlü entropi, daha kötü TL-only (sıfır atış) 0,33 Referans çizgisi Nearest Centroid 0,39 Özellik çıkarıcı dondurulmuş K-Means Head 0,40 En iyi denetimsiz sonuç GRL tabanlı üç denetimsiz yöntem (DANN unsup, CDA, PA -DANN) TL referans çizgisinin çok altında kalmıştır.", "source": "Only_tez.pdf:p74"}
{"id": "c0172", "text": "Koşullu Alan Uyarlaması (CDA, Conditional Domain Adaptation) yönteminde yığın düzeyinde hesaplanan ağırlık merkezleri gürültülü gradyan sinyalleri üretmiştir. Ön-Aktivasyon Alan Çekişmeli Sinir Ağı (PA-DANN, Pre-Activation Domain-Adversarial Neural Network) 'da ise K- Means ile atanan güven skorları yeterli kaliteye ulaşmamıştır. Her iki yöntem DANN unsup ile benzer çöküş örüntüsü sergilemiştir.", "source": "Only_tez.pdf:p74"}
{"id": "c0173", "text": "Entropi azaltma farklı bir başarısızlık mekanizması sergilemiştir. w_ent=0,1 ile entropi değeri 1,77'den 0,01'e düşürülmüş ve model tahminlerinde yüksek güven elde edilmiştir. Buna rağmen tgtFocal değeri 1,39'dan 8,71'e yükselmiştir. Model yanlış sınıflara yüksek güvenle karar vermiştir. Entropi ağırlığının 0,5'e artırılması sorunu derinleştirmiş ve F1 skor 0,006'ya gerilemiştir. Doğru sınıf sinyali bulunmadığında entropi azaltma modeli rastgele bir sınıfa yönlendirmektedir. Denetimsiz yöntemler arasında en yüksek performansı K-Means Head Adaptasyonu sağlamıştır. Yöntem GRL'yi devre dışı bırakarak özellik çıkarıcıyı dondurmakta ve sınıflandırma başlığını hedef alan kümeleme çıktıları üzerinden yeniden eğitmektedir.", "source": "Only_tez.pdf:p75"}
{"id": "c0174", "text": "K-Means kümeleme kalitesi Düzeltilmiş Rand İndeksi (Adjusted Rand Index, ARI) ile 0,59 olarak ölçülmüştür. Bu değer, hedef alan davranışlarının yaklaşık %60 doğrulukla gruplandığını göstermektedir. Elde edilen 0,40 F1 skoru TL referans çizgisini (0,33) aşmış ve denetimsiz yöntemler arasında en yüksek değer olarak kaydedilmiştir. Nearest Centroid yöntemi 0,39 F1 skor ile K -Means Head'e yakın bir sonuç vermiştir. Her iki yöntem özellik çıkarıcıyı dondurup yalnızca sınıflandırma katmanını uyarlamaktadır. GRL tabanlı yöntemler ise özellik çıkarıcıyı güncellemeye çalıştığından negatif transfer riski taşımaktadır. Dondurma stratejisi söz konusu riski ortadan kaldırmaktadır. 4.2.4. Genel Değerlendirme Denetimsiz yöntem karşılaştırması üç temel bulguya işaret etmektedir.", "source": "Only_tez.pdf:p75"}
{"id": "c0175", "text": "Birincisi, GRL mekanizması hedef alan etiketleri olmadan çalıştırıldığında negatif transfer üretmektedir. Kaynak alanda öğrenilmiş bilgi aktif biçimde bozulmaktadır. w_tgt=0 koşulundaki tgtFocal artışı bu bozulmayı doğrudan göstermektedir. İkincisi, entropi azaltma gibi dolaylı denetim sinyalleri sınıf bilgisi taşımadığı için modeli yanlış yönlendirebilmektedir. Düşük entropi ile yüksek hedef kayıp bir arada gözlenmiştir. Bu örüntü, güven kalibrasyonu olmadan entropi tabanlı yaklaşımların güvenilir olmadığını göstermektedir. Üçüncüsü, GRL'yi devre dışı bırakıp özellik çıkarıcıyı donduran kümeleme tabanlı yöntemler (K-Means Head, Nearest Centroid) TL referans çizgisini aşabilen tek denetimsiz yaklaşımlardır.", "source": "Only_tez.pdf:p75"}
{"id": "c0176", "text": "Bu yöntemlerin ulaştığı 0,40 F1 skoru yarı-denetimli DANN'ın 0,71 F1 skorunun yarısından azdır. Hedef alan etiketlerine düşük düzeyde erişimin (w_tgt=0,01) sağladığı performans kazanımı mevcut denetimsiz tekniklerle karşılanamamaktadır. 4.3. Transfer Performans Sonuçları Bu bölümde önce kaynak alan referans değerleri sunulmuştur. Ardından altı kaynak-hedef çifti üzerindeki transfer sonuçları faz, çift ve mimari boyutlarında analiz edilmiştir. Davranış sınıfı bazında performans farkları ve istatistiksel anlamlılık testleri de bu çerçevede sunulmaktadır.", "source": "Only_tez.pdf:p75"}
{"id": "c0177", "text": "4.3.1. Kaynak Alan Performansı Her hayvan türü kendi eğitim verisiyle eğitilmiş ve kendi test kümesi üzerinde sınanmıştır. Elde edilen değerler Transfer Öğrenme (TL) aşamasının referans çizgisini oluşturmaktadır. Üç türün kaynak alan test sonuçları Tablo 4.12'de sunulmuştur. Tablo 4.12. Kaynak Alan Test Sonuçları (TL Fazı) Kaynak Alan Doğruluk Ağırlıklı F1 Skor Köpek 0,8146 0,7962 Keçi 0,8939 0,7101 At 0,8454 0,7458 Keçi kaynak alanında en yüksek doğruluk değeri (0,8939) elde edilmiştir. F1 skoru ise 0,7101 düzeyinde kalmıştır. Bu fark Keçi veri kümesindeki sınıf dengesizliğinden kaynaklanmaktadır. Baskın sınıflar yüksek doğruluk üretirken azınlık sınıflarındaki düşük performans F1 skorunu aşağı çekmektedir.", "source": "Only_tez.pdf:p76"}
{"id": "c0178", "text": "Köpek alanında doğruluk ve F1 skor arasındaki makas daha dardır. Bu durum Köpek veri kümesinin görece dengeli sınıf dağılımını yansıtmaktadır. At kaynak alanı her iki metrikte de orta düzeyde sonuç vermiştir (Doğruluk: 0,8454, F1: 0,7458). Köpek alanındaki sınıf bazlı sonuçlar davranış türleri arasındaki performans farklılıklarını göstermektedir. Tablo 4.13'de Köpek kaynak alan test sonuçları sınıf düzeyinde sunulmaktadır. Tablo 4.13. Köpek Kaynak Alan Sınıf Bazlı Sonuçlar (TL Aşaması) Davranış Kesinlik (P) Duyarlılık (R) F1 Skor (Sınıf Bazlı) Eating 0,3625 0,5687 0,4428 Shaking 0,8779 0,6238 0,7293 Standing 0,9886 0,9578 0,9730 Trotting 0,8750 0,9077 0,8911 Walking 0,9239 0,8720 0,8972 Running 0,8409 0,8470 0,8439 Ayakta durma (standing), yürüme (walking) ve tırıs (trotting) davranışları 0,89 üzeri F1 skorlarıyla en başarılı sınıflar olarak öne çıkmaktadır.", "source": "Only_tez.pdf:p76"}
{"id": "c0179", "text": "Bu davranışlar ivmeölçer ve jiroskop sinyallerinde tekrarlayan ve belirgin örüntüler üretmektedir. Yeme (eating) davranışı 0,4428 F1 skor ile en düşük performansı sergilemiştir. Kesinlik değerinin 0,3625'te kalması modelin farklı davranışları yanlışlıkla yeme olarak etiketlediğine işaret", "source": "Only_tez.pdf:p76"}
{"id": "c0180", "text": "etmektedir. Duyarlılığın kesinliğe göre yüksek çıkması (0,5687) gerçek yeme örneklerinin önemli bir kısmının doğru yakalandığını göstermektedir. Bununla birlikte yanlış pozitif oranı yüksektir. Sallanma (shaking) davranışında kesinlik 0,8779 olmasına karşın duyarlılık 0,6238'de kalmıştır. Model sallanma olarak etiketlediği örneklerde genellikle doğru karar vermektedir. Ancak gerçek sallanma örneklerinin yaklaşık üçte birini kaçırmaktadır. Bu durum sallanmanın kısa süreli ve anlık bir hareket olmasıyla açıklanabilmektedir. Pencere tabanlı segmentasyonda bu tür kısa olayların yakalanması güçleşmektedir. Sınıf bazlı farklılıklar transfer deneylerinin yorumlanmasında temel bir referans noktası oluşturmaktadır.", "source": "Only_tez.pdf:p77"}
{"id": "c0181", "text": "Kaynak alanda halihazırda düşük performans gösteren davranışların transfer senaryolarında da sorunlu kalması beklenmektedir. 4.3.2. Faz ve Adaptasyon Karşılaştırması Altı kaynak-hedef çifti üzerinde dört model mimarisiyle yürütülen transfer deneyleri üç eğitim aşamasını kapsamaktadır (TL, DANN, D-PST). Sistem yarı-denetimli çerçevede çalışmakta olup hedef alan etiketleri DANN kaybına w_tgt=0,2 ağırlığıyla katılmıştır (parametrenin etkisi Bölüm 4.2.2'de incelenmektedir). Üç eğitim aşamasının genel performansı Tablo 4.14'te özetlenmiştir. Tablo 4.14. Aşama Bazlı Genel Ortalamalar (72 deney) Aşama Ortalama F1 Skor Ortalama Doğruluk TL 0,3452 0,4898 DANN 0,7106 0,8459 DANN+PST 0,6426 0,7898 TL aşamasında ortalama F1 skoru 0,3452 olarak hesaplanmıştır.", "source": "Only_tez.pdf:p77"}
{"id": "c0182", "text": "Bu değer kaynak alanda eğitilmiş modellerin hedef alana doğrudan uygulandığında yetersiz kaldığını göstermektedir. DANN aşamasıyla birlikte F1 skorunda 0,3507 puanlık mutlak artış sağlanmıştır. O rtalama değer 0, 7106 düzeyine ulaşmıştır. Doğruluk açısından da benzer bir sıçrama gözlenmiştir. TL'deki 0,4898 değeri DANN ile 0,8459'a yükselmiştir. PST aşaması beklentilerin aksine performansta gerilemeye neden olmuştur. 24 DANN deneyinin 22'sinde PST uygulaması daha düşük F1 skoru üretmiş; ortalama düşüş 0,053 puan olarak gerçekleşmiştir (Wilcoxon W=2, p<0,001). Bu bulgu daha ayrıntılı olarak Bölüm 4.4.2'de tartışılmıştır. PST aşamasındaki performans kaybının iki temel nedeni bulunmaktadır. Birincisi, hedef alanda üretilen sözde etiketlerin olasılık kalibrasyonu zayıftır.", "source": "Only_tez.pdf:p77"}
{"id": "c0183", "text": "Softmax çıktılarının 0,8 eşiğini aşması gerçek doğrulukla örtüşmeyebilmektedir. İkincisi, çoğunluk sınıfları sözde etiketlerde orantısız biçimde baskın", "source": "Only_tez.pdf:p77"}
{"id": "c0184", "text": "hale gelmektedir. Azınlık sınıflarına ait örnekler bu aşamada daha da bastırılmaktadır. Sonuç olarak PST model kararlarını çoğunluk sınıflarına doğru kaydırarak genel F1 skorunu düşürmektedir. 4.3.3. Mimari ve Davranış Bazlı Analiz Altı kaynak-hedef çiftinin DANN aşamasındaki performansları Tablo 4.15'te sunulmuştur. Tablo 4.15. Kaynak-Hedef Çifti Bazlı DANN Sonuçları Kaynak→Hedef Ortalama F1 Skor Doğruluk ROC-AUC PR-AUC Köpek→Keçi 0,7148 0,8844 0,9615 0,7305 Köpek→At 0,7136 0,8340 0,9477 0,7453 Keçi→Köpek 0,6452 0,7984 0,9240 0,6336 Keçi→At 0,7474 0,8632 0,9568 0,7812 At→Köpek 0,6411 0,8093 0,9297 0,6329 At→Keçi 0,7131 0,8859 0,9637 0,7483 Şekil 4.11. Kaynak-Hedef çifti bazlı TL, DANN ve PST fazlarının F1 Skor karşılaştırması Şekil 4.11 de gösterildiği gibi hedef alanı Keçi olan çiftlerde (Köpek→Keçi, At→Keçi) doğruluk 0,88'in üzerinde gerçekleşmiştir.", "source": "Only_tez.pdf:p78"}
{"id": "c0185", "text": "Her iki çiftte de ROC-AUC 0,96'yı aşmıştır. Bu durum Keçi alanının transfer için uygun bir hedef olduğuna işaret etmektedir. Keçi veri kümesindeki baskın sınıfların (standing, walking) doğruluk metriğini yukarı çektiği göz önünde bulundurulmalıdır.", "source": "Only_tez.pdf:p78"}
{"id": "c0186", "text": "Hedef alanı Köpek olan çiftlerde (Keçi→Köpek, At→Köpek) en düşük F1 skor değerleri elde edilmiştir (sırasıyla 0,6452 ve 0,6411). Köpek veri kümesinin çok etiketli yapısı transfer sürecini güçleştirmektedir. Aynı anda birden fazla davranışın etiketlendiği örneklerde model tek etiketli kaynak alanlardan öğrendiği kalıpları hedef alana uyarlamakta zorluk yaşamaktadır. Keçi→At çifti 0,7474 F1 skor ve 0,7812 PR -AUC ile en yüksek transfer performansını üretmiştir. İki tür büyük otçul memeli olarak benzer lokomotor kalıplar sergilemektedir. Vücut kütlesi ve hareket frekansları arasındaki yakınlık özellik uzayında daha az ka ymaya neden olarak transferi kolaylaştırmaktadır. Dört model mimarisinin DANN aşamasındaki ortalama performansları Tablo 4.16'te verilmiştir.", "source": "Only_tez.pdf:p79"}
{"id": "c0187", "text": "Tablo 4.16. Model Mimarisi Bazlı DANN Sonuçları (6 Çift Ortalaması) Model Ortalama F1 Skor Doğruluk ROC-AUC PR-AUC BiLSTM-Attention 0,7360 0,8621 0,9579 0,7391 GRU-Attention 0,7374 0,8692 0,9549 0,7403 Transformer 0,6736 0,8155 0,9297 0,6537 CNN1D 0,6952 0,8232 0,9463 0,7148 Şekil 4.12. Dört model mimarisinin DANN aşamasındaki F1 Skor, doğruluk ve ROC-AUC karşılaştırması Şekil 4.12 incelendiğinde GRU -Attention modeli 0,7374 F1 s kor ve 0,8692 doğruluk ile en yüksek ortalama değerlere ulaşmıştır. BiLSTM -Attention 0,7360 F1 skor ile çok yakın bir sonuç vermiştir. Tekrarlayan ağ mimarileri pencere içindeki zamansal sıralamayı doğal olarak korumaktadır.", "source": "Only_tez.pdf:p79"}
{"id": "c0188", "text": "Dikkat mekanizması ise bu sıralama içinde davranış örüntüsü açısından en ayırt edici zaman adımlarına ağırlık vererek sınıflandırma performansını artırmaktadır. İki model arasındaki fark ihmal edilebilir düzeydedir. Transformer modeli 0,6736 F1 skor ile en düşük performansı göstermiştir. Transformer mimarisinin büyük veri kümelerinde üstün performans sergilediği bilinmektedir. Bu çalışmadaki veri boyutu ve pencere uzunluğu (128 zaman adımı) söz konusu mimarinin avantajlarını tam olarak yansıtmaya yetmemiş olabilir. CNN1D modeli F1 skor açısından Transformer'ın üzerinde yer almıştır (0,6952). Ancak dikkat mekanizmalı tekrarlayan ağların gerisinde kalmıştır. Bu fark, tek boyutlu evrişimin uzun menzilli zamansal bağımlılıkları yeterince yakalayamamasından kaynaklanmaktadır.", "source": "Only_tez.pdf:p80"}
{"id": "c0189", "text": "Dört mimarinin tamamında ROC -AUC 0,92'nin üzerinde hesaplanmıştır. Bu değerler modellerin sınıflar arasında iyi bir ayrım yeteneğine sahip olduğun u göstermektedir . PR -AUC değerlerindeki yayılım (0,6537 – 0,7403) ise dengesiz sınıf dağılımına duyarlılıktaki farklılıkları yansıtmaktadır. DANN aşamasındaki 24 deneyde davranış sınıfları arasında belirgin performans farkları ortaya çıkmıştır. Sınıf bazlı F1 skor ortalamaları Tablo 4.17'da, dağılım görselleri ise Şekil 4.3'te sunulmuştur. En başarılı deney -davranış çiftleri ve transfer açısından zorlayıcı davranışlar Bölüm 4.3.4'te ayrıntılandırılmıştır. Tablo 4.17. DANN Fazı Davranış Bazlı F1 Skor İstatistikleri (72 deney) Davranış Ortalama F1 Skor Minimum Maksimum Standing 0,8280 0,541 0,923 Walking 0,7895 0,032 0,922 Trotting 0,7419 0,381 0,920 Eating 0,6552 0,034 0,899 Running 0,4479 0,106 0,655 Shaking 0,3932 0,108 0,665", "source": "Only_tez.pdf:p80"}
{"id": "c0190", "text": "Şekil 4.13 DANN aşaması davranış bazlı F1 Skor dağılımı (24 Deney). Şekil 4.13'de gösterildiği gibi ayakta durma ve yürüme davranışları en yüksek ortalama F1 skor değerlerine sahiptir (sırasıyla 0,8280 ve 0,7895 ). Bu iki davranış ivmeölçer sinyallerinde düşük varyanslı ve türler arasında tutarlı kalıplar üretmektedir. Keçi ve at yürüyüşlerinin adım frekansları farklı olsa da temel sinyal morfolojisi benzerlik göstermektedir. Tırıs davranışı 0,7419 ortalama F1 skor ile orta -yüksek düzeyde performans sergilemiştir. Minimum değerin 0,381, maksimum değerin 0,920 olması belirli bir yayılıma işaret etmektedir. Bazı kaynak-hedef çiftlerinde tırıs neredeyse mükemmel biçimde transfer olurken diğerlerinde sınırlı kalmıştır.", "source": "Only_tez.pdf:p81"}
{"id": "c0191", "text": "Yeme davranışının 0,6552 ortalama F1 skor değeri kaynak alan sonuçlarındaki düşük performansla tutarlıdır. Yeme hareketleri türe özgü ağız ve boyun mekaniklerini içermektedir. Köpeğin yeme hareketi ile keçinin otlama hareketi arasında sinyal düzeyinde belirgin farklar bulunmaktadı r. Minimum değerin 0,034'e kadar düşmesi bazı transfer senaryolarında yeme davranışının zorlukla tanındığını göstermektedir. 4.3.4. Transfer Senaryoları DANN aşamasında F1 skoru 0,90 eşiğini aşan 9 deney -davranış çifti tespit edilmiştir. Tablo 4.18'de bu çiftler sıralanmaktadır.", "source": "Only_tez.pdf:p81"}
{"id": "c0192", "text": "Tablo 4.18. F1 Skor > 0,90 Olan Deney-Davranış Çiftleri (DANN Fazı) Kaynak→Hedef Model Davranış F1 Skor (sınıf bazlı) Keçi→At GRU Trotting 0,9196 Köpek→Keçi GRU Walking 0,9166 Köpek→Keçi BiLSTM Standing 0,9133 Keçi→At BiLSTM Trotting 0,9119 At→Keçi CNN1D Standing 0,9111 Köpek→At GRU Walking 0,9080 Keçi→At BiLSTM Walking 0,9063 At→Keçi GRU Standing 0,9023 Keçi→At GRU Walking 0,9005 Tablo 4.18'deki dağılım üç temel örüntü göstermektedir. Keçi→At çifti 9 yüksek performanslı sonucun 4'ünü üretmiştir. Keçi ve at arasındaki biyomekanik benzerlik bu çiftin transfer için avantajlı konumunu desteklemektedir. Standing ve walking davranışları toplamda 6 kez tabloda yer almıştır. Bu davranışların türler arası transfere en uygun sınıflar olduğu bir kez daha doğrulanmıştır.", "source": "Only_tez.pdf:p82"}
{"id": "c0193", "text": "GRU-Attention modeli 9 sonucun 5'inde yer almaktadır. Bu gözlem GRU mimarisinin transfer senaryolarında tutarlı yüksek performans sağladığına işaret etmektedir. CNN1D modelinin tabloda yalnızca bir kez (standing sınıfıyla) yer alması, mimarinin transfer kapasi tesinin sınırlı olduğunu göstermektedir. Sallanma (shaking) ve koşma (running) davranışları DANN aşamasında en düşük ortalama F1 skorlarını almıştır (sırasıyla 0,3890 ve 0,4824). Sallanma davranışının düşük performansı türe özgü kinematik özelliklerden kaynaklanmaktadır. Köpeğin tüm vücudunu sallayarak su atması ile keçinin baş sallama hareketi aynı etiket altında gruplandırılmış olsa da sensör sinyallerinde farklı frekans ve genlik profilleri üretmektedir.", "source": "Only_tez.pdf:p82"}
{"id": "c0194", "text": "Maksimum F1 skorlarının 0,735'te kalması en uygun koşullarda bile tam bir transferin sağlanamadığını göstermektedir. Koşma davranışı 0,4824 ortalama F1 skor ile sallanmadan biraz daha iyi performans sergilemiştir. Koşma frekansı ve adım kalıpları vücut boyutuna doğrudan bağlıdır. Küçük bir köpeğin koşma adım frekansı atın dörtnalına göre belirgin biçimde yüksektir. Bu fr ekans farkı pencere tabanlı özellik çıkarmada farklı örüntüler üreterek transferi güçleştirmektedir. Koşma davranışının maksimum F1 skoru 0,649'da kalmıştır. Hiçbir deney -model birleşiminde tatmin edici bir transfer düzeyine ulaşılamamıştır. Bu bulgular sensör tabanlı davranış sınıflandırmada türler arası transferin davranışın doğasına güçlü biçimde bağlı olduğunu göstermektedir.", "source": "Only_tez.pdf:p82"}
{"id": "c0195", "text": "Ritmik ve düşük varyanslı lokomotor davranışlar kolayca transfer olmaktadır. Kısa süreli veya türe özgü kinematik i çeren davranışlarda ise özellik uzayındaki kayma önemli ölçüde artmaktadır.", "source": "Only_tez.pdf:p82"}
{"id": "c0196", "text": "4.3.5. İstatistiksel Anlamlılık Faz ve model farklılıklarının istatistiksel anlamlılığı parametrik olmayan testlerle sınanmıştır (test seçim gerekçesi ve tanımlar için Bölüm 3.6.3). 24 deney çifti üzerinde yürütülen Wilcoxon İşaretli Sıra Testi sonuçları Tablo 4.10'da sunulmuştur. Tablo 4.19. Fazlar Arası Wilcoxon İşaretli Sıra Testi Sonuçları (n=24) Karşılaştırma W İstatistiği p Değeri Anlamlılık (α=0,05) TL vs DANN 0,0 1,19×10⁻⁷ Evet DANN vs PST 0,0 1,19×10⁻⁷ Evet TL vs PST 0,0 1,19×10⁻⁷ Evet Üç karşılaştırmanın tamamında W istatistiği sıfır olarak hesaplanmıştır. Bu değer 24 deneyin hiçbirinde sıralamanın tersine dönmediğini göstermektedir. TL'den DANN'a geçişte tüm deneyler performans artışı bildirmiştir.", "source": "Only_tez.pdf:p83"}
{"id": "c0197", "text": "DANN'dan PST'ye geçişte ise tüm deney ler düşüş kaydetmiştir. p değerleri 1,19×10⁻⁷ düzeyinde olup α=0,05 eşiğinin çok altındadır. TL ile PST arasındaki test de anlamlı fark vermiştir. PST, TL'nin üzerinde performans göstermekle birlikte DANN'ın gerisinde kalmıştır. Faz sıralamasının DANN > PST > TL biçiminde tutarlı olduğu istatistiksel olarak doğrulanmıştır. Friedman Testi iki boyutta uygulanmıştır. Birinci boyut eğitim fazları, ikinci boyut model mimarileridir. Sonuçlar Tablo 4.20'da özetlenmektedir. Tablo 4.20. Friedman Testi Sonuçları Karşılaştırma Boyutu χ² p Değeri Kendall W Anlamlılık Fazlar (TL/DANN/PST) 48,0 3,78×10⁻¹¹ 1,00 Evet Modeller (4 mimari) 10,8 0,013 — Evet Faz karşılaştırmasında χ² değeri 48,0 ve Kendall W uyum katsayısı 1,00 olarak elde edilmiştir.", "source": "Only_tez.pdf:p83"}
{"id": "c0198", "text": "Kendall W'nin 1,00'a eşit çıkması, 24 deneyin tamamında faz sıralamasının aynı kaldığını ifade eder. Hiçbir deney bu sıralamadan sapmamıştır. Model karşılaştırmasında χ²=10,8 ve p=0,013 bulunmuştur. Bu sonuç, α=0,05 düzeyinde anlamlıdır; modeller arasında sistematik bir performans farkı mevcuttur. Ortalama sıralama değerleri şöyledir: BiLSTM -Attention 1,67, GRU-Attention 1,67, CNN1D 3,00, Transformer 3,67. Dikkat mekanizmalı tekrarlayan ağlar ilk iki sırayı paylaşırken CNN1D üçüncü, Transformer son sırada yer almıştır. Friedman Testi anlamlı çıkan boyutlarda hangi ikili karşılaştırmaların anlamlı olduğunu belirlemek üzere Nemenyi Testi uygulanmıştır. Faz ve model bazlı sonuçlar sırasıyla Tablo 4.21 ve Tablo 4.22'de sunulmaktadır.", "source": "Only_tez.pdf:p83"}
{"id": "c0199", "text": "Tablo 4.21. Nemenyi Testi: Faz Karşılaştırmaları Karşılaştırma p Değeri Anlamlılık (α=0,05) TL vs DANN 1,28×10⁻¹¹ Evet TL vs PST 0,0015 Evet DANN vs PST 0,0015 Evet Tablo 4.22. Nemenyi Testi: Model Karşılaştırmaları Karşılaştırma p Değeri Anlamlılık (α=0,05) BiLSTM/GRU vs Transformer 0,037 Evet BiLSTM/GRU vs CNN1D 0,279 Hayır Faz karşılaştırmalarında üç çiftin tamamı anlamlı fark sergilemiştir. TL ile DANN arasındaki p değeri 1,28×10⁻¹¹ düzeyindedir. Bu değer deneylerdeki en güçlü istatistiksel bulgu niteliğindedir. DANN ile PST arasında ve TL ile PST arasında p=0,0015 elde edi lmiştir. Her iki sonuç da anlamlılık eşiğinin altındadır. Model karşılaştırmalarında BiLSTM-Attention ve GRU-Attention mimarileri Transformer'dan anlamlı biçimde farklıdır (p=0,037).", "source": "Only_tez.pdf:p84"}
{"id": "c0200", "text": "Dikkat mekanizmalı tekrarlayan ağlar ile CNN1D arasındaki fark ise istatistiksel olarak anlamlı değildir (p=0,279). BiLSTM ve GRU modellerinin birbirinden ayrışmaması, iki mimarinin türler ar ası transfer görevinde işlevsel olarak eşdeğer olduğuna işaret etmektedir. Friedman ve Nemenyi sonuçları birlikte değerlendirildiğinde iki temel çıkarım ortaya çıkmaktadır. Birincisi, eğitim aşaması seçimi model mimarisinden daha belirleyici bir etkendir. Kendall W=1,00 değeri bu durumu açık biçimde desteklemektedir. İkincisi, model mimarileri arasındaki asıl kırılma noktası dikkat mekanizmalı tekrarlayan ağlar ile diğer mimariler arasındadır. BiLSTM-GRU ve CNN1D-Transformer arasındaki farklar grup içi düzeyde kalmaktadır.", "source": "Only_tez.pdf:p84"}
{"id": "c0201", "text": "4.4. Veri İşleme Hattı Bileşenlerinin Katkısı Veri işleme hattındaki dört temel bileşenin DANN performansına katkısı bileşen çıkarma yöntemiyle değerlendirilmiştir. Her bileşen sırasıyla devre dışı bırakılmış ve elde edilen performans değişimi sunulmuştur. Dört bileşen şunlardır: Azınlık pencere takviyesi (A, Boost), Gürültü temizleme (B, SRP+ENN+Tomek Links), PCA dönüşümü (C) ve Sınıf dengeleme (D, cWGAN-GP/MLSMOTE). Senaryo tasarımı ve sonuçlar Tablo 4.23'te sunulmuştur.", "source": "Only_tez.pdf:p84"}
{"id": "c0202", "text": "Tablo 4.23. Ablasyon Senaryoları Senaryo Dahil Bileşenler Çıkarılan Macro F1 Skor Sonuçlar S0 A+B+C+D — 0,7106 Referans: DANN Macro-F1 Skor=0,7106. Tüm bileşenlerin etkin olduğu tam sistem. S1 A+B+C D 0,4692 (−0.2414) Shaking Sınıf F1 Skor: 0,39→0,14; Running Sınıf F1 Skor: 0,48→0,18. Azınlık sınıflar baskılanır, model çoğunluk sınıflarına (Standing, Walking) yönelir. S2 A+B+D C 0,4391 (−0,2715) Alan Silhouette skoru 0,062'den 0,028'e düşer, türler kendi heterojen özellik uzayında kalır. GRL alan hizalamasını sağlayamaz; tüm bileşenler arasında en büyük performans düşüşü gözlenir. S3 A+C+D B 0,5864 (−0,1242) Temizleme veri hacmini %3–%27 azaltmaktadır. Çıkarıldığında ise sınır gürültüsü eğitim kümesinde kalır.", "source": "Only_tez.pdf:p85"}
{"id": "c0203", "text": "DANN gürültülü gradyanlara dirençli olduğundan en küçük düşüş kaydedilir. S4 B+C+D A 0,5193 (−0,1913) Azınlık sınıf çeşitliliği daralır. Takviye ile Keçi Shaking pencere oranı %0,9'dan %4,7'ye yükseltilmişti; bu artış kaybolur. cWGAN-GP ve MLSMOTE tohumları benzeştiğinden sentetik üretim çeşitlilik kazanmaz. 4.4.1. Sınıf Dengeleme Bileşeni Dengeleme bileşeni çıkarıldığında (S1) azınlık sınıfların eğitim kümesindeki temsili orantısız biçimde zayıflamıştır. Shaking ve Running gibi düşük frekanslı davranışlar, dengeleme olmaksızın toplam eğitim örneklerinin küçük bir yüzdesini oluşturmuştur. Mo del baskın sınıflara (Standing, Walking) yönelmiş ve azınlık sınıfları sınıflandırmada başarısız kalmıştır.", "source": "Only_tez.pdf:p85"}
{"id": "c0204", "text": "Sınıf bazlı etkiler ölçülmüştür: Shaking Sınıf F1 skoru 0,39'dan 0,14'e, Running Sınıf F1 skoru ise 0,48'den 0,18'e düşmüştür. Standing sınıfının performansı artmıştır. S1 koşulundaki ortalama Macro- F1 skoru 0,4692 olarak ölçülmüştür ve referans skordan (0,7106) 0,2414 puan düşüktür. 4.4.2. PCA Dönüşümü PCA bileşeni farklı türlerin özellik uzaylarını ortak bir temsile dönüştürmektedir. Bu dönüşüm GRL'nin alan hizalama işlevi için gerekli bir altyapı sağlar. PCA çıkarıldığında (S2) her tür kendi ham istatistiksel özellik uzayında kalmıştır. Bölüm 4.2.1'de gösterildiği üzere ham özellik aşamasında Alan Silhouette skoru 0,028, PCA sonrasında ise 0,062 düzeyindedir. PCA olmadan GRL 98 boyutlu heterojen özellik uzayında alan farkını gidermeye çalışmaktadır.", "source": "Only_tez.pdf:p86"}
{"id": "c0205", "text": "Bu süreçte davranış ayırt edici bilgi de zarar görme riski taşır. S2 koşulundaki ortalama Macro -F1 skoru 0,4391 olarak ölçülmüştür ve referans skorundan (0,7106) 0,2715 puan düşüktür. Tüm bileşenler arasında en büyük performans düşüşü PCA çıkarılmasıyla gerçekleşmiştir. 4.4.3. Gürültü Temizleme SRP ile boyut indirgeme, ardından ENN ve Tomek Links ile sınır gürültüsünün temizlenmesi toplam veri hacmini %3 ile %27 arasında azaltmıştır. DANN mimarisi GRL tarafından üretilen gürültülü gradyanlarla zaten uyumlu çalışmaktadır. Ek veri temizlemenin katk ısı bu nedenle düşük kalmıştır. Temizleme bileşeni çıkarıldığında (S3) sınır bölgesindeki belirsiz örnekler eğitim kümesinden çıkarılmamıştır. Sınıflandırma başlığının karar sınırları kesinliğini yitirmektedir.", "source": "Only_tez.pdf:p86"}
{"id": "c0206", "text": "S3 koşulundaki ortalama Macro -F1 skoru 0,5864 olarak ölçülmüştür ve referans skordan (0,7106) yalnızca 0,1242 puan düşüktür. Performans düşüşü dört bileşen arasında en küçük olanıdır. 4.4.4. Azınlık Pencere Takviyesi Azınlık pencere takviyesi bileşeni kayan pencere aşamasında az temsil edilen davranışlar için ek pencereler üretmektedir. Çıkarıldığında (S4) dengeleme aşamasına giren azınlık sınıf örnekleri sayıca ve çeşitlilik açısından azalmıştır. cWGAN-GP ve MLSMOTE sentetik örnekler üretmektedir. Kaynak örneklerin çeşitliliği düşük olduğunda üretilen sentetik örnekler birbirine benzer hale gelmektedir. Takviye ve dengeleme bileşenleri arasında sıralı bir bağımlılık bulunmaktadır. S4 koşulundaki ortalama Macro -F1 skoru 0,5193 olarak ölçülmüştür ve referans skordan (0,7106) 0,1913 puan düşüktür.", "source": "Only_tez.pdf:p86"}
{"id": "c0207", "text": "4.4.5. Bileşen Katkı Sıralaması Kontrollü ablasyon deneylerinde elde edilen Macro -F1 skor düşüşleri sırasıyla C (PCA, −0,2715), D (Dengeleme, −0,2414), A (Takviye, −0,1913) ve B (Temizleme, −0,1242) olarak ölçülmüştür. Etki büyüklüklerine göre bileşen sıralaması C > D > A > B biçimindedir. PCA, alan hizalama altyapısını sağlaması nedeniyle en kritik bileşendir. Dengeleme, azınlık sınıf performansı üzerindeki doğrudan etkisiyle ikinci sırada yer almaktadır. Takviye, dengeleme aşamasına girdi sağlayan yardımcı bir bileşen olarak üçüncü sıradad ır. Temizleme ise DANN'ın gürültüye kısmi direnci nedeniyle en düşük katkıyı sunmaktadır. Tüm bileşenlerin devre dışı kaldığı S5 koşulunda ortalama Macro -F1 skoru 0,3315 düzeyine düşmüştür.", "source": "Only_tez.pdf:p87"}
{"id": "c0208", "text": "Bu değer Transfer Öğrenme referans çizgisinin (Macro-F1 Skor≈0,3555) altındadır. Sonuç, veri işleme hattının türler arası transferdeki temel rolünü göstermektedir. 4.5. Açıklanabilirlik Analizi Sonuçları Bölüm 3.7'de tanımlanan SHAP yöntemi 24 türler arası transfer senaryosunun her birine uygulanmıştır. Her senaryoda elde edilen Shapley önem skorları orijinal 98 öznitelik adıyla raporlanmış; her senaryonun ilk beş özniteliği Tablo 4.24'te özetlenmiştir. Tablo 4.24.", "source": "Only_tez.pdf:p87"}
{"id": "c0209", "text": "SHAP analizinin senaryo bazında ilk beş özniteliği Kaynak Hedef Mimari İlk Beş Öznitelik Köpek Keçi BiLSTM-Attention Gz_zcr, Gy_zcr, Gx_zcr, Ax_zcr, Gx_dom_ratio Köpek Keçi GRU-Attention Ax_zcr, Gx_zcr, Gy_zcr, Gz_zcr, Ay_zcr Köpek Keçi Transformer Gz_zcr, Gx_dom_ratio, Gx_zcr, Gy_zcr, Gz_dom_ratio Köpek Keçi CNN1D Ay_zcr, Ax_zcr, Gy_zcr, Gx_zcr, Gz_zcr Köpek At BiLSTM-Attention Gz_zcr, Ax_zcr, Gx_dom_ratio, Gx_zcr, Gy_zcr Köpek At GRU-Attention Gz_zcr, Gz_dom_freq, Ax_zcr, Gx_dom_ratio, Az_band35 Köpek At Transformer Az_kurt, Az_band35, Gz_rms, Ay_rms, Az_dom_freq Köpek At CNN1D Gz_zcr, Gy_zcr, Gx_zcr, Gy_dom_ratio, Ax_zcr Keçi Köpek BiLSTM-Attention Gz_zcr, Gx_zcr, Gy_zcr, Ax_zcr, Gx_dom_ratio Keçi Köpek GRU-Attention Gz_zcr, Gx_zcr, Gx_dom_ratio, svm_acc_mean, Gy_zcr Keçi Köpek Transformer Gz_zcr, Gx_dom_ratio, Gx_zcr, Gz_rms, svm_acc_mean Keçi Köpek CNN1D Ay_zcr, Ax_zcr, Gx_zcr, Gy_zcr, Gx_dom_ratio Keçi At BiLSTM-Attention Gz_zcr, Gx_dom_ratio, Gy_zcr, Gx_zcr, Ax_zcr Keçi At GRU-Attention Ax_zcr, Gz_zcr, Gx_zcr, Gx_dom_ratio, Ay_zcr Keçi At Transformer Gz_zcr, Gx_dom_ratio, Gy_zcr, Gx_zcr, Ax_zcr", "source": "Only_tez.pdf:p87"}
{"id": "c0210", "text": "Keçi At CNN1D Ay_zcr, Gy_dom_ratio, Gz_dom_ratio, Gx_dom_ratio, Gx_zcr At Köpek BiLSTM-Attention Gz_zcr, Gx_zcr, Gy_zcr, Gx_dom_ratio, Gz_dom_ratio At Köpek GRU-Attention Gz_zcr, Gx_zcr, Gx_dom_ratio, Gy_zcr, Gy_dom_ratio At Köpek Transformer Gz_zcr, Gx_zcr, Gx_dom_ratio, Gy_zcr, Gz_dom_ratio At Köpek CNN1D Gy_zcr, Gz_zcr, Ax_zcr, Ay_zcr, Az_zcr At Keçi BiLSTM-Attention Gz_zcr, Gy_zcr, Gx_zcr, Ax_zcr, Gx_dom_ratio At Keçi GRU-Attention Gz_zcr, Gy_zcr, Gx_zcr, Gx_dom_ratio, Ax_zcr At Keçi Transformer Gx_zcr, Gz_zcr, Gx_dom_ratio, Gy_zcr, Ay_zcr At Keçi CNN1D Ay_zcr, Gx_zcr, Gz_zcr, Ax_zcr, Gy_zcr Tablo 4.24'teki senaryo bazlı öznitelikler ortak bir örüntü sergilemektedir. Sıfır geçiş oranı (zcr) ailesi 24 senaryonun büyük çoğunluğunda ilk beş içinde yer almaktadır.", "source": "Only_tez.pdf:p88"}
{"id": "c0211", "text": "Yalnız Köpek→At Transformer senaryosunda ilk beş Az_kurt, Az_band35, Gz_rms, Ay_rms ve Az_dom_freq özniteliklerinden oluşmaktadır; bu senaryoda Transformer mimarisinin diğer mimarilerden farklı bir öznitelik kümesini öne çıkardığı gözlenmiştir. Tüm senaryoların ortalaması alındığında elde edilen ilk on beş öznitelik Tablo 4.25'te sıralanmaktadır. Tablo 4.25. SHAP analizinin 24 senaryo ortalamasında ilk on beş özniteliği Sıra Öznitelik Ortalama Önem Standart Sapma 1 Gz_zcr 1,016 0,436 2 Gx_zcr 0,990 0,422 3 Gx_dom_ratio 0,984 0,421 4 Gy_zcr 0,978 0,409 5 Ax_zcr 0,966 0,401 6 Gz_dom_ratio 0,942 0,389 7 Ay_zcr 0,942 0,387 8 Gy_dom_ratio 0,939 0,386 9 svm_acc_mean 0,918 0,411 10 Az_zcr 0,889 0,366 11 Az_entropy 0,870 0,357 12 Az_band35 0,864 0,413 13 Gz_rms 0,859 0,417 14 Ay_rms 0,851 0,431 15 Gz_entropy 0,846 0,341", "source": "Only_tez.pdf:p88"}
{"id": "c0212", "text": "SHAP analizinin dört temel bulgusu vardır: Birincisi, sıfır geçiş oranı (zcr) özniteliklerin senaryoların büyük çoğunluğunda en yüksek önem skoruna sahiptir. Sıfır geçiş oranı sinyalin yön değiştirme sıklığını ölçer; hayvan davranışlarındaki periyodik adım frekansının doğrudan göstergesidir. İlk on özniteliğin altısı zcr ailesindendir. Zero - crossing rate her sensör ekseni için ayrı ayrı hesaplanmıştır; bu altı zcr özniteliği üç ivmeölçer (Ax, Ay, Az) ve üç jiroskop (Gx, Gy, Gz) ekseninin değerlerinden oluşmaktadır. İkincisi, baskın frekans oranı (dom_ratio) ve spektral entropi gibi frekans alanı öznitelikleri ön sıralarda yer almaktadır. Bu durum, modelin yürüme, tırıs ve koşma gibi periyodik davranışları frekans imzaları üzerinden ayırt ettiğini göstermektedir.", "source": "Only_tez.pdf:p89"}
{"id": "c0213", "text": "Frek ans bant enerjisi (band35) ve baskın frekans (dom_freq) gibi türevsel öznitelikler de ilk on beş içinde temsil edilmiştir. Üçüncüsü, ivme (A cc) ve jiroskop (G yro) eksenlerinin katkısı dengelidir. İlk on beş öznitelikteki sekiz tanesi jiroskop, altısı ivmeölçer kanallarındandır. Bu denge, davranış sınıflandırmasında ne tek başına ivme ne de tek başına dönüş bilgisinin yeterli olduğunu, iki sensör ailesinin tamamlayıcı bilgi taşıdığını göstermektedir. Dördüncüsü, SMV özniteliklerinden yalnız svm_acc_mean (eksen -bağımsız ivme büyüklüğü ortalaması) ilk on beş içinde yer almıştır (9. sıra, ortalama önem 0,918). Sekiz SMV özniteliğinden yalnız bir tanesinin ön sıralarda görünmesi, eksen-bağımsız büyüklük bilgisinin tek başına sınıflandırma için yeterli olmadığını; eksen bilgisi içeren özniteliklerin (zcr, dom_ratio) modelin kararlarında daha belirleyici olduğunu göstermektedir.", "source": "Only_tez.pdf:p89"}
{"id": "c0214", "text": "Yine de svm_acc_mean'ın 9. sırada bulunması, SMV ailesinin sensör yönelimi belirsiz olduğunda dahi anlamlı bir destekleyici sinyal taşıdığını desteklemektedir. Bu sonuç Bölüm 3.1.2 ve 3.1.3'te tanımlanan sensör yönelim açıklamalarıyla (Kamminga vd., 2018, 2019) tutarlıdır. 4.6. Bulguların Literatür ile Karşılaştırılması Elde edilen sonuçlar, DA ve hayvan davranış sınıflandırma literatürü çerçevesinde değerlendirilmiştir. 4.6.1. DANN ve Kaynak Alan Konumlandırması Ganin ve Lempitsky (2015), DANN mimarisini bilgisayarlı görü alanında tanıtmıştır. Çalışmada kaynak-hedef alan uyarlamasında %10 ile %15 arasında iyileşme sunulmuştur. Bu çalışmada ise TL'den DANN'a geçişte %35,5 puanlık mutlak F1 skor artışı elde edilmiştir.", "source": "Only_tez.pdf:p89"}
{"id": "c0215", "text": "Bu kazanım görüntü tabanlı çalışmalardaki iyileşme oranını aşmaktadır. Söz konusu farkın olası nedeni veri modalitesi arasındaki yapısal ayrımdır. Tek boyutlu zaman serisi verileri görüntü verilerinden daha düzenli alan kayması sergilemektedir. İvmeölçer sinyallerindeki frekans ve genlik farkları piksel düzeyindeki heterojenli ğe göre daha sistematik bir yapı taşımaktadır.", "source": "Only_tez.pdf:p89"}
{"id": "c0216", "text": "GRL, bu düzenli kaymayı hizalamada görüntü alanlarındakinden daha verimli çalışmıştır. Yarı - denetimli çerçevenin (w_tgt=0,2) söz konusu kazanımdaki payı göz ardı edilmemelidir. Bölüm 4.2'de gösterildiği gibi denetimsiz koşulda DANN çökmektedir. Hussain vd. (2022), tek tür üzerinde LSTM tabanlı davranış sınıflandırmasında 0,85 doğruluk elde etmiştir. Bu çalışmada Köpek kaynak alanında 0,81 doğruluk hesaplanmıştır. Bu değer tek tür literatürüyle tutarlıdır. Türler arası transferde ulaşılan 0,71 F1 skor kaynak alan performansının %87'sine karşılık gelmektedir. Tek tür çalışmalarının erişemediği genelleme kapasitesi alan uyarlamasının somut katkısına işaret etmektedir. 4.6.2. PST ve GRL Tartışması PST aşamasının 24 deneyin 23'ünde performansı düşürmesi öz -eğitim literatüründeki bilinen risklerle örtüşmektedir.", "source": "Only_tez.pdf:p90"}
{"id": "c0217", "text": "Sözde etiketlerin kalitesi modelin olasılık kalibrasyonuna bağlıdır. Softmax çıktılarının yüksek güven eşiğini aşması tahmin doğruluğuyla orantılı olmay abilir. Bu çalışmadaki deneylerde sözde etiketler çoğunluk sınıflarına sistematik biçimde kaymıştır. Azınlık sınıflarının temsili bu süreçte daha da zayıflamıştır. Sıcaklık ölçekleme veya kalibre edilmiş olasılık tahminleri olmaksızın PST'nin güvenilir sonuç üretmesi güçtür. Bölüm 4.2'de belgelenen GRL negatif transferi alan uyarlaması literatüründeki açık bir soruna somut bulgu sağlamaktadır. PCA sonrası Alan Silhouette skoru 0,062 olarak ölçülmüştür. Bu değer türlerin özellik uzayında hala ayrışık konumda olduğunu göstermektedir. Görüntü tabanlı alan uyarlaması çalışmalarında kaynak ve hedef alanlar genellikle aynı nesne kategorilerinin farklı çekim koşullarından oluşmaktadır.", "source": "Only_tez.pdf:p90"}
{"id": "c0218", "text": "Bu çalışmalarda alan farkı görece küçüktür. Hayvan türleri arasındaki biyomekanik farklılıklar ise çekim koşulu değişiminden daha derin bir yapısal kayma üretmektedir. GRL, bu ölçekteki alan farkını hizalamaya çalışırken davranış ayırt edici bilgiyi de ortadan kaldırmaktadır. Sorun DANN mimarisinin yetersizliğinden çok problemin doğasındaki zorluktan kaynaklanmaktadır. 4.6.3. Genel Değerlendirme Bilinen kadarıyla üç farklı hayvan türü arasında altı yönlü davranış transferini yarı -denetimli DANN çerçevesinde değerlendiren başka bir çalışma sunulmamıştır. Bu çalışmadaki sonuçlar türler arası transferin lokomotor davranışlarda yüksek başarıya ulaştığını göstermektedir (standing ve walking F1 skor > 0,90).", "source": "Only_tez.pdf:p90"}
{"id": "c0219", "text": "Türe özgü kinematik içeren davranışlarda ise transfer başarısı sınırlı kalmıştır (shaking F1 skor < 0,40). Alan uyarlaması literatüründeki genel eğilim, kaynak ve hedef alanlar arasındaki yapısal benzerlik arttıkça transfer başarısının yükselmesi yönündedir. Keçi -At çiftinin üstün performansı (F1", "source": "Only_tez.pdf:p90"}
{"id": "c0220", "text": "Skor=0,7474) bu eğilimi doğrulamaktadır. Köpek hedefli transferlerin düşük sonuçları (F1 Skor ≈ 0,64) ise çok etiketli yapının ek bir zorluk oluşturduğunu yansıtmaktadır. 4.7. Sınırlılıklar Deneysel tasarımın ve elde edilen bulguların altı temel sınırlılığı bu bölümde tartışılmaktadır. Yarı-denetimli bağımlılık çalışmanın en temel kısıtını oluşturmaktadır. Tam denetimsiz transfer gerçekleştirilememiştir. w_tgt=0 koşulunda F1 skorunun 0,03'e düşmesi sistemin hedef alan etiketlerine yapısal olarak bağımlı olduğunu göstermektedir . Gerçek saha koşullarında hedef tür için etiketli veri toplama gerekliliği yöntemin uygulanabilirliğini daraltmaktadır. Denetimsiz DANN'ın çalışmaması GRL mekanizmasının mevcut problem yapısındaki y etersiz kaldığını göstermektedir .", "source": "Only_tez.pdf:p91"}
{"id": "c0221", "text": "CDA, PA -DANN ve entropi azaltma dahil dört farklı denetimsiz strateji sınanmıştır. Hiçbiri TL referans çizgisine ulaşamamıştır. Entropiyi azaltmak modelin yanlış sınıflara yüksek güvenle karar vermesi, dolaylı denetim sinyallerinin bu problem için uygun olmadığını göstermektedir. Keçi PCA testi yalnızca Köpek→At çifti üzerinde gerçekleştirilmiştir. Diğer beş kaynak -hedef çiftinde Keçi PCA'nın aynı üstünlüğü koruyup korumadığı bilinmemektedir. Bölüm 4.1'deki Lojistik Regresyon sonuçları altı çift ortalamasında Keçi PCA'nın avantajını desteklemektedir. Bununla birlikte derin öğrenme düzeyindeki doğrulama eksik kalmıştır. Tür çeşitliliği üç hayvan türüyle sınırlıdır. Sığır, kanatlı hayvan ve yaban hayatı gibi farklı biyomekanik profillere sahip türler çalışma kapsamı dışındadır.", "source": "Only_tez.pdf:p91"}
{"id": "c0222", "text": "Mevcut üç tür dört ayaklı memeli grubunu temsil etmekte ve hareket kalıpları arasında yapısal ben zerlikler taşımaktadır. Transferin genellenebilirliği hakkında güçlü çıkarımlar yapmak için daha geniş taksonomik çeşitlilik gerekmektedir. PST aşaması mevcut formunda güvenilir değildir. 24 deneyin 2 2'sinde DANN sonucunu kötüleştirmiş olup ortalama düşüş 0,053 F1 skorudur. Olasılık kalibrasyonu uygulanmadan ve çoğunluk kayması kontrolü sağlanmadan PST'nin kullanılması önerilmemektedir. İleri çalışmalarda sıcaklık ölçekleme veya sınıf dengeli örnekleme gibi düzeltici mekanizmalarla yeniden değerlendirilmesi gerekmektedir. Açıklanabilirlik analizi tek katmanlı kalmıştır. Bölüm 4.5'te sunulan SHAP sonuçları, öznitelik önemlerini mutlak ortalama olarak raporlamaktadır.", "source": "Only_tez.pdf:p91"}
{"id": "c0223", "text": "Sınıf bazlı SHAP analizi (örn. yalnız \"shaking\" tahmininde Gz_zcr'nin payı) ve örnek bazlı SHAP açıklamaları (örn. tek bir test penceresinin nasıl sınıflandırıldığı) bu çalışma kapsamında ele alınmamıştır. Bu detaylı analizler özellikle nadir davranış sınıflarının kararlarını yorumlamak için anlamlı katkı sağlayabilir; ileri çalışmalara bırakılmıştır.", "source": "Only_tez.pdf:p91"}
{"id": "c0224", "text": "5. SONUÇLAR VE ÖNERİLER 5.1. Çalışmanın Genel Değerlendirmesi ve Özgün Katkıların Özeti Bu çalışmada köpek, keçi ve at türlerinden toplanan IMU verileri üzerinde türler arası davranış sınıflandırması gerçekleştiren yarı -denetimli bir DANN çerçevesi geliştirilmiştir. BTSS ontoloji analizinden türetilen altı ortak davranış kategorisi (Eating, Sh aking, Standing, Trotting, Walking, Running) tanımlanmıştır. Toplam 72 deney koşulu altı kaynak -hedef çifti, dört model mimarisi ve üç eğitim aşaması üzerinde değerlendirilmiştir. Hedef alana ait etiketli örnekler DANN kaybına w_tgt=0,2 ağırlığıyla dahil edilmiştir. Kalan hedef veriler ise etiketsiz biçimde alan uyarlamasına katkı sağlamıştır. TL aşamasında 0,356 olan ortalama F1 skoru DANN aşamasında 0,711'e yükselmiştir.", "source": "Only_tez.pdf:p92"}
{"id": "c0225", "text": "Bu +0,355 puanlık kazanım Wilcoxon testi ile p<0,001 düzeyinde istatistiksel anlamlılık taşımaktadır. Mimari karşılaştırmada dikkat mekanizmalı modeller öne çıkmıştır. Friedman testi p=0,013 ile modeller arasında anlamlı fark göstermiştir. Nemenyi post -hoc analizi BiLSTM -Attention ve GRU -Attention çiftinin Transformer'dan p=0,037 düzeyinde ayrıştığını ortaya koymuştur. CNN1D ile aradaki fark ise istatistiksel olarak anlamlı bulunmamıştır (p=0,279). Yön bazında Keçi→At çifti F1 Skor=0,747 ile en yüksek transfer başarısını sağlamıştır. Hedefi köpek olan tüm çiftler çok etiketli yapının getirdiği ek zorluk nedeniyle görece düşük performans sergilemiştir. PST aşaması 2 2/24 deneyde DANN performansını düşürmüştür.", "source": "Only_tez.pdf:p92"}
{"id": "c0226", "text": "Bu nedenle mevcut formda güvenilir bir iyileştirme aracı olarak değerlendirilmemektedir. Bölüm 4. 7'da ayrıntılı biçimde tartışılan sınırlılıklar şu biçimde özetlenebilir. Çerçeve yarı - denetimli etiket bağımlılığı taşımaktadır. Yalnızca üç türle sınanmış olup sensör yerleşim farklılıklarının etkisi kontrol altına alınamamıştır. Tam denetimsiz koşulda (w_tgt=0) modelin F1 skoru 0,03'e düşmüş ve TL -only değerinin (0,33) bile altında kalmıştır. Bununla birlikte w_tgt=0,01 gibi düşük bir etiket oranı bile F1 skoru 0,63'e taşımıştır. Sinyalin varlığının miktarından daha belirleyici olduğu gösterilmiştir. Bu çalışmanın özgün katkıları aşağıda özetlenmektedir. Üç farklı tür ve altı yönlü kaynak -hedef birleşimi üzerinde DANN tabanlı yarı -denetimli alan uyarlaması sistematik olarak uygulanmıştır.", "source": "Only_tez.pdf:p92"}
{"id": "c0227", "text": "TL bazlı F1 Skor=0,356 değeri DANN ile 0,711'e ulaşmış ve +35,5 puanlık iyileşme elde edilmiştir. Kaynak alanda çok etiketli (Focal BCE), hedef alanda tek etiketli (Focal CE) sınıflandırmayı birleştiren çift başlıklı hibrit mimari önerilmiştir. Köpek verisindeki eş zamanlı davranış etiketleri ile keçi ve at verilerindeki tekil etiketler bu mimari sayesinde tek çerçevede işlenebilir hale gelmiştir. JSD ve BTSS analizi kullanılarak türe özgü etiket kümeleri altı ortak kategoriye indirgenmiştir. Türler arası nicel karşılaştırma bu sayede mümkün kılınmıştır. Tam denetimsiz koşulda (w_tgt=0) GRL'nin negatif transfere yol açtığı deneysel olarak gösterilmiştir. F1 skoru 0,03'e düşerek TL -only seviyesinin (0,33) altında kalmıştır. w_tgt=0,01 gibi", "source": "Only_tez.pdf:p92"}
{"id": "c0228", "text": "düşük bir etiket sinyaliyle F1 skoru 0,63'e yükselmiştir. Bulgu, sorunun etiket miktarıyla değil sinyalin varlığıyla ilişkili olduğuna işaret etmektedir. Dört farklı PCA stratejisi (Köpek, Keçi, At, birleşik) karşılaştırılmıştır. PCA etkisinin kullanılan transfer yöntemine göre değiştiği bulunmuştur. Keçi PCA yarı -denetimli DANN'da +0,08 F1 skor üstünlük sağlamıştır. Denetimsiz yöntemlerde ise Köpek PCA avantajlı çıkmıştır. Özellik çıkarıcının dondurulduğu ve yalnızca sınıflandırma başlığının hedef kümeleme yapısına göre uyarlandığı K -Means Head Adaptation yöntemi önerilmiştir. F1 Skor=0,40 değeri denetimsiz DANN'ın (0,03) on üç katına ulaşmış ve negatif transfer riski ortadan kaldırılmıştır.", "source": "Only_tez.pdf:p93"}
{"id": "c0229", "text": "Beş işleme hattı aşamasında yüksek boyutlu Silhouette analizi gerçekleştirilmiştir. TL temsilinin Davranış Silhouette skoru (0,233) DANN'dan (0,193) üstün olmasına karşın F1 skor sıralaması bunun tersini göstermiştir. Bu karşıtlık, DANN başarısının temsil k alitesinden değil hedef etiket bilgisinden beslendiğine işaret etmektedir. 5.2. Gelecek Çalışmalar Yeni bir hayvan türü için davranış sınıflandırma sistemi kurulurken sıfırdan büyük ölçekli etiketleme yerine mevcut bir modelden DANN ile transfer yaklaşımı tercih edilmelidir. w_tgt=0,01 bulgusu, hedef popülasyondan az sayıda etiketli örneğin bile F1 skorunu 0,03'ten 0,63'e taşıdığını göstermektedir. Tam etiketleme bu nedenle gerekli değildir.", "source": "Only_tez.pdf:p93"}
{"id": "c0230", "text": "Az sayıda stratejik etiket yeterli denetim sinyalini sağlamaktadır. PCA modeli seçiminde homojen ve dengeli bir veri kümesinden türetilen PCA tercih edilmelidir. Keçi PCA bulgusu, kaynak alan PCA'sının kendiliğinden en uygun seçenek olmadığını göstermektedir. Model mimarisi açısından BiLSTM -Attention ve GRU -Attention, mevcu t veri ölçeğinde CNN1D ve Transformer'a göre tutarlı biçimde üstün performans sergilemiştir. Davranış bazında transfere uygunluk da göz önünde bulundurulmalıdır. Lokomotor davranışlar yüksek oranda transfer edilebilir niteliktedir. Walking ve Trotting F1 skorları 0,90'ın üzerinde gerçekleşmiştir. Shaking (F1 Skor=0,39) ve Running (F1 Skor=0,48) ise türe özgü kinematik farklılıklar taşıdığından ek etiketleme gerektirmektedir.", "source": "Only_tez.pdf:p93"}
{"id": "c0231", "text": "PST aşaması mevcut formda 23/24 deneyde performans düşüşüne yol açmıştır. Bu nedenle uygulamalı çalışmalarda önerilmemektedir. Gelecek çalışmalar için çeşitli araştırma yönleri önerilmektedir. Mevcut çerçeve tek kaynak alanla çalışmaktadır. Köpek ve keçi verilerinin eş zamanlı olarak kaynak havuzuna dahil edilerek At alanına aktarılması, çoklu kaynak alan uyarlaması yöntemleriyle a raştırılmalıdır. w_tgt=0,01 bulgusundan hareketle hedef alandaki en bilgilendirici örneklerin seçilmesine yönelik aktif öğrenme döngüsü tasarlanmalıdır. Entropi tabanlı örnekleme ile etiketleme bütçesi en aza indirilirken DANN performansının korunup korunmadığı sınanmalıdır. PCA seçimi bağlamında Keçi PCA'nın neden üstün olduğu veri homojenliği ve sınıf dengesi metrikleri üzerinden araştırılmalıdır.", "source": "Only_tez.pdf:p93"}
{"id": "c0232", "text": "PCA modelinin deneme -yanılma olmaksızın belirlenebileceği alan bağımsız bir seçim ölçütü geliştirilmelidir. Denetimsiz koşuldaki çöküşü önlemek için BTSS skorlarıyla ağırlıklandırılmış GRL veya kademeli GRL yaklaşımları denenmelidir. Tür çeşitliliği açısından mevcut çerçeve sığır, koyun ve kanatlı hayvan gibi farklı biyomekanik profillere sahip canlılarla genişletilmelidir. Geviş getiren ve geviş getirmeyen türler arasındaki transfer asimetrisinin sistematik karşılaştırması yeni araştırma sorularına yol açabilir. Laboratuvar koşullarında eğitilen modellerin saha donanımlarına taşınabilmesi için niceleme (quantization) ve budama (pruning) teknikleriyle model hafifletme çalışmaları yapılmalıdır.", "source": "Only_tez.pdf:p94"}
{"id": "c0233", "text": "Uç cihazlarda çıkarım gecikmesi ve enerji tüketimi kısıtları altı nda performans değerlendirmesi de ele alınmalıdır. Mevcut sistemde her pencere bağımsız sınıflandırılmaktadır. Pencereler arası ardışıklık bilgisini kullanan Koşullu Rastgele Alan (CRF, Conditional Random Field) veya zamansal dikkat mekanizmaları özellikle geçiş davranışlarında sınıflandırma tutarlılığını artırabilir. PST'nin başarısızlığı büyük ölçüde baskın sınıfların sözde -etiket havuzunda baskın olmasından kaynaklanmaktadır. Sınıf dengeli sözde -etiket filtreleme ve güven kalibrasyonu stratejileri bu aşamaların yeniden değerlendirilmesi için araştırılmalıdır. Tek başlıklı standart DANN ile çift başlıklı mimarinin doğrudan karşılaştırılması, çift başlıklı yapının katkısını nicelleştirmek açısından önem taşımaktadır.", "source": "Only_tez.pdf:p94"}
{"id": "c0234", "text": "Karşılaştırma özellikle çok etiketli ve tek etiketli geçiş senaryolarında (Köpek↔Keçi/At) çift başlığın net kazanımını ortaya koyabilir. CDAN (Long vd., 2018) ile standart DANN arasındaki performans farkı bu çalışmada dolaylı olarak değerlendirilmiştir. CDAN'ın koşullu hizalama mekanizmasının sınıf bazında uyarlama kalitesine katkısı kontrollü karşılaştırma deneyleriyle doğrudan ölçülmelidir.", "source": "Only_tez.pdf:p94"}