رده بندی مجموعه داده نامتوازن با ابعاد بالا از طریق شبکه های رقابتی مولد عمیق مبتنی بر نظریه بازی
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 346
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_PADSA-9-2_006
تاریخ نمایه سازی: 12 مرداد 1400
چکیده مقاله:
نظریه بازی با استفاده از مدل های ریاضی به تحلیل روش های همکاری یا رقابت موجودات منطقی و هوشمند می پردازد. نظریه بازی تلاش می کند تا رفتار ریاضی حاکم بر یک موقعیت تضارب منافع را مدل سازی کند. هدف نهایی این دانش، یافتن راه برد بهینه برای بازیکنان است. یکی از جدیدترین ایده ها در کاربرد نظریه بازی درزمینه هوش مصنوعی و یادگیری ماشین، شبکه های رقابتی مولد عمیق هستند. این شبکه ها که از دو بخش تشکیل می شوند با استفاده از نظریه بازی و با رقابت با یکدیگر موجب می شوند امکان یادگیری به صورت بدون نظارت و یا نیمه نظارتی فراهم گردد. از این شبکه ها علاوه بر تولید داده، در شناسایی نرم افزارهای مخرب و امنیت نرم افزار، ترجمه ماشینی و پردازش زبان طبیعی و ساخت مدل سه بعدی از یک تصویر نیز استفاده می شود. اما این نوع مدل ها به علت تعداد بالای تکرار و مولفه های ورودی، زمان آموزش بسیار طولانی دارند. در این مقاله در راستای حل مسئله زمان آموزش طولانی این شبکه ها در موضوع رده بندی مجموعه داده های با ابعاد بالای نامتوازن، راهکاری ارائه می شود که ابتدا داده های کم تعداد مربوط به کلاس های مجموعه داده ها، مبتنی بر شبکه رقابتی مولد، بیش نمونه برداری شده، سپس جهت بهبود کارایی شبکه های رقابتی مولد، موازی سازی شبکه مذکور انجام گرفته و با تمرکز بر افزایش کارایی، با رده بندی تجمیعی نتایج حاصله در حالات مختلف مورد بررسی و ارزیابی قرار می گیرد. نتایج به عمل آمده روی رده بندی مجموعه داده رتینوپاتی دیابتی با روش مذکور نشان داد با حفظ دقت رده بندی ۸۷%، زمان آموزش ۷۴% کاهش می یابد که نتایج حاصله نسبت به آخرین پیشرفت های علمی نیز دقت بالاتری را نشان می-دهد.
کلیدواژه ها:
شبکه های رقابتی مولد ، شبکه های عصبی عمیق ، رده بندی تصاویر ، مجموعه داده نامتوازن ، نظریه بازی ، یادگیری ماشین
نویسندگان
شیرین میرعابدینی
دانشجوی دکتری گروه مهندسی کامپیوتر، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران
محمدرضا کنگاوری
دانشیار گروه کامپیوتر دانشگاه علم و صنعت ایران، تهران، ایران
جواد محمدزاده
استادیار گروه مهندسی کامپیوتر، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :