İleri projeksiyon ile geri bildirimsiz kapalı form öğrenme

Geri Mesajlar Olmadan Makinelere Öğretmek

Modern yapay zeka çoğunlukla geriye yayılım (backpropagation) adı verilen bir yöntemle öğrenir; burada hatalar ağ boyunca geriye gönderilerek iç bağlantılar ayarlanır. Ancak bu süreç gerçek beyinlerin çalışmasına benzemez ve yavaş ile kaynak tüketimi yüksek olabilir. Bu makale, geri adımı tamamen atlayan ancak özellikle sınırlı veriye sahip zorlu biyomedikal görevlerde güçlü performans gösteren İleri Projeksiyon (Forward Projection) adında yeni bir sinir ağı öğrenme yöntemi sunuyor.

Öğrenmeyi Yönlendirmek İçin Yeni Bir Yol

Geleneksel sinir ağları, tahminlerini doğru yanıtlarla karşılaştırıp her katmana geriye doğru hata sinyalleri göndererek bağlantıları ince ayar yapar. İleri Projeksiyon farklı bir yol izler. Bu yöntemde geriye gönderilen hata mesajlarına güvenmek yerine yalnızca sinyaller ilerlerken mevcut olan bilgiler kullanılır: ilgili katmanın mevcut etkinliği ve hedef etiket. Her katmanda yöntem, o katmana gelen girdiyi ve istenen çıktıyı sabit rastgele projeksiyonlarla birleştirip basit bir doğrusal olmayan işlevden geçirir. Bu, o katmanın eşlemeye çalışması gereken bir “hedef” iç sinyali—katmanın yakalamaya çalışacağı elektriksel benzeri bir aktivite deseni—üretir.

Bu hedefler oluşturulduktan sonra, her katmanın bağlantı ağırlıkları yinelemsiz gradyan inişi yerine standart bir istatistiksel formül olan kapalı form regresyon ile tek seferde çözülür. Bu, ağın aynı örnekleri tekrar tekrar gözden geçirmeden veya büyük sayıda ara aktiviteyi depolamadan tek bir veri seti geçişinde eğitilebileceği anlamına gelir. Geriye bilgi gönderilmesine gerek olmadığı için yöntem, biyolojik nöronlarda görülen tek yönlü iletişime daha uygun olabilir ve tek yönlü bağlantılara sahip özel donanımlarda uygulanması daha kolay olabilir.

Gizli Aktivitede Anlam Görmek

İleri Projeksiyon’un çarpıcı bir avantajı, gizli katmanlardaki iç sinyallerin doğrudan yorumlanabilir hale gelmesidir. Her katman hem girdiyi hem de etiket bilgisini membran benzeri potansiyellerinde açıkça kodlayacak şekilde eğitildiği için, bu iç değerler sınıfın yerel tahminleri olarak okunabilir. Yazarlar, bu sinyalleri yaklaşık olarak etiket uzayına “çözüp” katman başına ağın o aşamada neye inandığını gösteren açıklamalara nasıl dönüştürüleceğini gösteriyor. Deneylerde, bu açıklamalar daha derin katmanlarda daha doğru hale geliyor; bu, ilerleyici öğrenmeyi yansıtıyor—erken katmanlar geniş desenleri görürken, sonraki katmanlar karar açısından kritik ayrıntılara odaklanıyor.

Bu yorumlanabilirlik tıpta özellikle değerlidir; çünkü bir modelin neden bir karar verdiğini anlamak, kararın kendisi kadar önemli olabilir. Elektro-kardiyogram verileri kullanılarak, yazarlar İleri Projeksiyon’un kalp krizi için klinik olarak bilinen işaretleri—örneğin belirli dalga segmentlerindeki değişiklikleri—zaman içinde doğru anlarda vurguladığını gösteriyor. Anormal kan damar büyümesini tespit etmek için kullanılan göz taramalarında yöntem doğal olarak uzmanların aradığı sıvı ceplerine, parlak birikintilere ve yara benzeri bölgelere odaklanıyor; ve bunlar sınıf başına yalnızca 100 örnekle bile elde edilebiliyor.

Hızlı Eğitim, Güçlü Sonuçlar

Araştırma ekibi İleri Projeksiyon’u tam geriye yayılımdan kaçınmaya çalışan çeşitli alternatiflerle ve standart geriye yayılım ile karşılaştırdı. Fashion-MNIST rakamları, DNA promoter tanıma, elektro-kardiyogramlardan kalp krizi tespiti ve nesne tanıma gibi görüntü ve sıra görevlerinde yeni yöntem diğer yerel öğrenme kurallarının performansına eşit ya da üst düzeyde sonuç verdi. Standart ayarlarda geriye yayılım genel olarak bir üstünlüğe sahip olmaya devam etti, ancak İleri Projeksiyon’un doğruluğu tek geçişli eğitim kullanırken şaşırtıcı derecede yakındı.

Faydalar, klinik uygulamalarda yaygın olan ve sadece birkaç etiketli örnek bulunabilen “az örnek” (few-shot) senaryolarda daha belirgin hale geldi. Burada İleri Projeksiyon göğüs röntgenleri, retina taramaları ve küçük görüntü alt kümelerinde çoğunlukla hem geriye yayılımı hem de rakip yerel yöntemleri geride bıraktı. Geriye yayılım ya küçük veri kümelerine aşırı uyum sağlama eğilimindeydi ya da yeterince zengin özellikler öğrenemiyordu; oysa İleri Projeksiyon daha kararlı, yeniden kullanılabilir iç temsiller üretti. Hesaplama açısından büyük bir katmanı eğitmek, geriye yayılımın çok sayıda epokunu çalıştırmaktan çok daha az çarpma-toplama işlemi gerektiriyordu; bu da önemli hız artışları ve daha düşük enerji maliyeti anlamına geliyor.

Geleceğin Yapay Zekâsı ve Beyin-Esinli Hesaplama İçin Ne Anlama Geliyor

Günlük ifadeyle, bu çalışma sinir ağlarının faydalı ve anlaşılabilir iç temsiller öğrenmek için ağır, biyolojik açıdan inanılmaz geri besleme döngülerine dayanmak zorunda olmadığını gösteriyor. Girdileri ve etiketleri tek bir ileri süzgeçte zekice karıştırıp ağırlıkları kapalı formda çözerek, İleri Projeksiyon modelleri hızlıca eğitme, iç işleyişlerini yorumlama ve küçük, gürültülü biyomedikal veri kümeleriyle başa çıkma olanağı sunuyor. Geriye yayılım birçok büyük ölçekli görev için hâlâ altın standart olsa da, bu geri bildirimsiz yaklaşım daha beyin-benzeri ve donanım-dostu öğrenme stratejilerine işaret ediyor; bunlar verimli, açıklanabilir yapay zekânın bir sonraki neslini destekleyebilir.

Atıf: O’Shea, R., Rajendran, B. Closed-form feedback-free learning with forward projection. Nat Commun 17, 2414 (2026). https://doi.org/10.1038/s41467-026-69161-1

Anahtar kelimeler: geri bildirimsiz öğrenme, sinir ağları, az örnekli eğitim, biyomedikal yapay zeka, açıklanabilir derin öğrenme