Derin Öğrenme Modellerinin Standart Makine Öğrenme Modelleri ile Karşılaştırılması

Georgia Eyalet Üniversitesi tarafından yürütülen Nature Communications'daki yeni bir araştırma, standart makine öğrenimi modelleriyle karşılaştırıldığında, derin öğrenme modellerinin, mimarisinde daha karmaşık olmasına rağmen, beyin görüntülemede kalıpları ve ayırt edici özellikleri ayırt etmede büyük ölçüde üstün olduğunu göstermiştir. Yapısal ve fonksiyonel manyetik rezonans görüntüleme (MRI ve fMRI) veya genomik sıralama gibi gelişmiş biyomedikal teknolojiler, insan vücudu hakkında muazzam miktarda veri üretmiştir. Bu bilgilerden kalıplar çıkaran bilim insanları sağlık ve hastalıklarla ilgili yeni içgörüler elde edebildiklerini belirtmişlerdir. Bununla birlikte, verilerin karmaşıklığı ve veri türleri arasındaki ilişkilerin yeterince anlaşılmamış olması nedeniyle bunun zor bir görev olduğunu ifade etmişlerdir. Gelişmiş sinir ağları üzerine kurulu derin öğrenme, birçok kaynaktan gelen verileri birleştirip analiz ederek bu ilişkileri karakterize edebilmektedir. Georgia Eyaleti Beyin Görüntüleme ve Veri Biliminde Çeviri Araştırma Merkezi (TReNDS) araştırmacıları, zihinsel hastalıkların ve diğer bozuklukların beyni nasıl etkilediği hakkında daha fazla bilgi edinmek için derin öğrenmeyi kullandıklarını bildirmişlerdir. Derin öğrenme modelleri birçok farklı alanda problemleri çözmek ve soruları cevaplamak için kullanılmış olsa da, bazı uzmanlar şüpheci olmaya devam etmektedir. Son kritik yorumlar, derin öğrenmeyi beyin görüntüleme verilerini analiz etmek için standart makine öğrenimi yaklaşımlarıyla olumsuz bir şekilde karşılaştırmıştır. Bununla birlikte, çalışmada gösterildiği gibi, bu sonuçlar genellikle, derin öğrenmeyi çok az ön işlemle veya hiç ön işlem yapmadan verilerden öğrenme yeteneğinden yoksun bırakan önceden işlenmiş girdilere dayanmaktadır. TReNDS'de bir araştırma bilimcisi ve makalenin baş yazarı olan Anees Abrol, klasik makine öğrenimi ve derin öğrenmenin temsili modellerini karşılaştırmış ve uygun şekilde eğitilirse, derin öğrenme yöntemlerinin önemli ölçüde daha iyi sonuçlar sunma potansiyeline sahip olduğunu ve insan beynini karakterize etmek için daha iyi temsiller oluşturduğunu keşfetmiştir.

Derin öğrenme modellerinin dezavantajı

TReNDS'de makine öğrenimi direktörü ve bilgisayar bilimi doçenti olan ortak yazar Sergey Plis, bu modelleri yan yana karşılaştırdıklarını, istatistiksel protokolleri gözlemlediklerini böylece her şeyin elmadan elmaya olduğunu belirtmiştir. Plis çalışmalarında derin öğrenme modellerinin beklendiği gibi daha iyi performans gösterdiğini sözlerine eklemiş ve standart makine öğreniminin derin öğrenmeden daha iyi performans gösterebileceği bazı durumlar olduğunu ifade etmiştir. Örneğin, bir hastanın vücut ısısı veya hastanın sigara içip içmediği gibi tek sayı ölçümlerini takan tanı algoritmaları, klasik makine öğrenimi yaklaşımlarını kullanarak daha iyi çalışacaktır. Plis, uygulamanın görüntüleri analiz etmeyi içeriyorsa veya bilgi kaybetmeden basit bir ölçümde gerçekten damıtılamayan geniş bir veri dizisi içeriyorsa, derin öğrenme yardımcı olabileceğini belirtmiştir. Ayrıca Plis, bu modellerin, çok fazla deneyim ve sezgi getirmeyi gerektiren gerçekten karmaşık sorunlar için yapıldığını sözlerine eklemiştir. Derin öğrenme modellerinin dezavantajı, başlangıçta veriye aç olmaları ve birçok bilgi üzerine eğitilmeleri gerektiği olarak açıklanmıştır. Ancak TReNDS direktörü ve Psikoloji Profesörü Vince Calhoun, bu modellerin bir kez eğitildikten sonra, basit soruları yanıtlamak kadar karmaşık verileri analiz etmede de etkili olduklarını ifade etmiştir. Calhoun, ilginç bir şekilde, çalışmalarında 100 ila 10.000 arasındaki örnek boyutlarına baktıklarını ve her durumda, derin öğrenme yaklaşımlarının daha iyi gittiğini belirtmiştir. Yayınlanan çalışma, eğitimli derin öğrenme modellerinin anlamlı beyin biyobelirteçlerini tanımlamayı öğrenmekte olduğunu göstermiştir. Araştırmacılar, derin öğrenme modellerinin, sahada halihazırda bilinmeyen açıklamaları ve temsilleri ayıklayabildiğini ve insan beyninin nasıl çalıştığına dair bilgimizi artırmaya yardımcı olduğunu düşündüklerini belirtmişlerdir.