{"id":{"repo_id":"debrecen","oai_identifier":"oai:dea.lib.unideb.hu:2437/413296"},"canonical_url":"https://search.dev.ndltd.org/etd/debrecen/oai:dea.lib.unideb.hu:2437/413296","repository":{"repo_id":"debrecen","name":"University of Debrecen","base_url":"https://dea.lib.unideb.hu/server/oai/request"},"display":{"title":"Entrópia alapú bizonytalanságbecslés hatása öncímkézésen alapuló félig felügyelt képosztályozásban","abstract":"A mély neurális hálók használata képosztályozási feladatokhoz nagy mennyiségű, megbízhatóan címkézett adatot igényel. A félig felügyelt tanulási módszerek célja ennek a problémának a mérséklése azáltal, hogy kis mennyiségű címkézett adat mellett címkézetlen adatot is bevonnak a tanítási folyamatba pszeudocímkézés (pseudo-labelling) segítségével. A pszeudocímkézés megbízhatóságát azonban jelentősen befolyásolja a modell predikcióinak kalibráltsága. A modern mély neurális hálók gyakran rosszul kalibrált valószínűségi becsléseket adnak, vagyis a modell által jelzett konfidenciaszintek nem állnak megfelelő összhangban a predikciók tényleges helyességével. Ez különösen problémás iteratív pszeudocímkézés esetén, mivel a hibásan kiválasztott pszeudocímkék több egymást követő tanítási körön keresztül halmozódhatnak fel, ami rontja a későbbi modellek eredményességét. A dolgozatban címkézetlen minták kiválasztása a Shannon-entrópia alapján történik, amely a predikciós eloszlás bizonytalanságát méri. Az entrópia alapú szűrés előnye, hogy nem csupán a legvalószínűbb osztály konfidenciáját veszi figyelembe, hanem a teljes eloszlást, így azt is tükrözi, hogy a modell mennyire bizonytalan a többi lehetséges osztály tekintetében. Ennek köszönhetően hatékonyabban szűrhetők ki a bizonytalan predikciók, és csökkenthető a hibás pszeudocímkékből származó torzítás. A kutatás középpontjában az iteratív pszeudocímkézés hatékonyságának vizsgálata áll, különös tekintettel arra, hogy a teljesítményjavulás miként alakul eltérő címkézett mintaarányok mellett. További cél annak elemzése, hogy a kalibrált valószínűségekre és entrópiaalapú bizonytalansági szűrésre épülő kiválasztás megbízhatóbb pszeudocímkéket eredményez-e, mint a kizárólag maximális valószínűségi küszöbön alapuló szelekció. A vizsgálatok a CIFAR-10, a CIFAR-100 és az SVHN képosztályozási adathalmazokon történnek.","abstract_html":"A mély neurális hálók használata képosztályozási feladatokhoz nagy mennyiségű, megbízhatóan címkézett adatot igényel. A félig felügyelt tanulási módszerek célja ennek a problémának a mérséklése azáltal, hogy kis mennyiségű címkézett adat mellett címkézetlen adatot is bevonnak a tanítási folyamatba pszeudocímkézés (pseudo-labelling) segítségével. A pszeudocímkézés megbízhatóságát azonban jelentősen befolyásolja a modell predikcióinak kalibráltsága. A modern mély neurális hálók gyakran rosszul kalibrált valószínűségi becsléseket adnak, vagyis a modell által jelzett konfidenciaszintek nem állnak megfelelő összhangban a predikciók tényleges helyességével. Ez különösen problémás iteratív pszeudocímkézés esetén, mivel a hibásan kiválasztott pszeudocímkék több egymást követő tanítási körön keresztül halmozódhatnak fel, ami rontja a későbbi modellek eredményességét. A dolgozatban címkézetlen minták kiválasztása a Shannon-entrópia alapján történik, amely a predikciós eloszlás bizonytalanságát méri. Az entrópia alapú szűrés előnye, hogy nem csupán a legvalószínűbb osztály konfidenciáját veszi figyelembe, hanem a teljes eloszlást, így azt is tükrözi, hogy a modell mennyire bizonytalan a többi lehetséges osztály tekintetében. Ennek köszönhetően hatékonyabban szűrhetők ki a bizonytalan predikciók, és csökkenthető a hibás pszeudocímkékből származó torzítás. A kutatás középpontjában az iteratív pszeudocímkézés hatékonyságának vizsgálata áll, különös tekintettel arra, hogy a teljesítményjavulás miként alakul eltérő címkézett mintaarányok mellett. További cél annak elemzése, hogy a kalibrált valószínűségekre és entrópiaalapú bizonytalansági szűrésre épülő kiválasztás megbízhatóbb pszeudocímkéket eredményez-e, mint a kizárólag maximális valószínűségi küszöbön alapuló szelekció. A vizsgálatok a CIFAR-10, a CIFAR-100 és az SVHN képosztályozási adathalmazokon történnek.","abstract_has_math":false,"creators":["Czakó, Orsolya"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":"DE--Informatikai Kar","school":null,"contributors":[],"advisors":["Jeszenszky, Péter"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-27T19:13:55Z","subjects":["Képosztályozás"],"languages":["hu"],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/2437/413296","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Jeszenszky, Péter"]},{"key":"dc:contributor.department","label":"Department","values":["DE--Informatikai Kar"]},{"key":"dc:creator","label":"Author","values":["Czakó, Orsolya"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-07-14T18:42:12Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-07-14T18:42:12Z"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Képosztályozás"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["hu"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/2437/413296"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["A mély neurális hálók használata képosztályozási feladatokhoz nagy mennyiségű, megbízhatóan címkézett adatot igényel. A félig felügyelt tanulási módszerek célja ennek a problémának a mérséklése azáltal, hogy kis mennyiségű címkézett adat mellett címkézetlen adatot is bevonnak a tanítási folyamatba pszeudocímkézés (pseudo-labelling) segítségével. A pszeudocímkézés megbízhatóságát azonban jelentősen befolyásolja a modell predikcióinak kalibráltsága. A modern mély neurális hálók gyakran rosszul kalibrált valószínűségi becsléseket adnak, vagyis a modell által jelzett konfidenciaszintek nem állnak megfelelő összhangban a predikciók tényleges helyességével. Ez különösen problémás iteratív pszeudocímkézés esetén, mivel a hibásan kiválasztott pszeudocímkék több egymást követő tanítási körön keresztül halmozódhatnak fel, ami rontja a későbbi modellek eredményességét. A dolgozatban címkézetlen minták kiválasztása a Shannon-entrópia alapján történik, amely a predikciós eloszlás bizonytalanságát méri. Az entrópia alapú szűrés előnye, hogy nem csupán a legvalószínűbb osztály konfidenciáját veszi figyelembe, hanem a teljes eloszlást, így azt is tükrözi, hogy a modell mennyire bizonytalan a többi lehetséges osztály tekintetében. Ennek köszönhetően hatékonyabban szűrhetők ki a bizonytalan predikciók, és csökkenthető a hibás pszeudocímkékből származó torzítás. A kutatás középpontjában az iteratív pszeudocímkézés hatékonyságának vizsgálata áll, különös tekintettel arra, hogy a teljesítményjavulás miként alakul eltérő címkézett mintaarányok mellett. További cél annak elemzése, hogy a kalibrált valószínűségekre és entrópiaalapú bizonytalansági szűrésre épülő kiválasztás megbízhatóbb pszeudocímkéket eredményez-e, mint a kizárólag maximális valószínűségi küszöbön alapuló szelekció. A vizsgálatok a CIFAR-10, a CIFAR-100 és az SVHN képosztályozási adathalmazokon történnek."]},{"key":"dc:description.degree","label":"Dc Description Degree","values":["BSc/BA"]},{"key":"dc:title","label":"Title","values":["Entrópia alapú bizonytalanságbecslés hatása öncímkézésen alapuló félig felügyelt képosztályozásban"]}]}],"canonical_facts":{"dc:contributor.advisor":["Jeszenszky, Péter"],"dc:contributor.department":["DE--Informatikai Kar"],"dc:creator":["Czakó, Orsolya"],"dc:date.accessioned":["2026-07-14T18:42:12Z"],"dc:date.available":["2026-07-14T18:42:12Z"],"dc:description.abstract":["A mély neurális hálók használata képosztályozási feladatokhoz nagy mennyiségű, megbízhatóan címkézett adatot igényel. A félig felügyelt tanulási módszerek célja ennek a problémának a mérséklése azáltal, hogy kis mennyiségű címkézett adat mellett címkézetlen adatot is bevonnak a tanítási folyamatba pszeudocímkézés (pseudo-labelling) segítségével. A pszeudocímkézés megbízhatóságát azonban jelentősen befolyásolja a modell predikcióinak kalibráltsága. A modern mély neurális hálók gyakran rosszul kalibrált valószínűségi becsléseket adnak, vagyis a modell által jelzett konfidenciaszintek nem állnak megfelelő összhangban a predikciók tényleges helyességével. Ez különösen problémás iteratív pszeudocímkézés esetén, mivel a hibásan kiválasztott pszeudocímkék több egymást követő tanítási körön keresztül halmozódhatnak fel, ami rontja a későbbi modellek eredményességét. A dolgozatban címkézetlen minták kiválasztása a Shannon-entrópia alapján történik, amely a predikciós eloszlás bizonytalanságát méri. Az entrópia alapú szűrés előnye, hogy nem csupán a legvalószínűbb osztály konfidenciáját veszi figyelembe, hanem a teljes eloszlást, így azt is tükrözi, hogy a modell mennyire bizonytalan a többi lehetséges osztály tekintetében. Ennek köszönhetően hatékonyabban szűrhetők ki a bizonytalan predikciók, és csökkenthető a hibás pszeudocímkékből származó torzítás. A kutatás középpontjában az iteratív pszeudocímkézés hatékonyságának vizsgálata áll, különös tekintettel arra, hogy a teljesítményjavulás miként alakul eltérő címkézett mintaarányok mellett. További cél annak elemzése, hogy a kalibrált valószínűségekre és entrópiaalapú bizonytalansági szűrésre épülő kiválasztás megbízhatóbb pszeudocímkéket eredményez-e, mint a kizárólag maximális valószínűségi küszöbön alapuló szelekció. A vizsgálatok a CIFAR-10, a CIFAR-100 és az SVHN képosztályozási adathalmazokon történnek."],"dc:description.degree":["BSc/BA"],"dc:identifier.uri":["https://hdl.handle.net/2437/413296"],"dc:language.iso":["hu"],"dc:subject":["Képosztályozás"],"dc:title":["Entrópia alapú bizonytalanságbecslés hatása öncímkézésen alapuló félig felügyelt képosztályozásban"]},"updated_at":"2026-07-27T19:13:55Z"}