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

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.

شبکه های رقابتی مولد, شبکه های عصبی عمیق, رده بندی تصاویر, مجموعه داده نامتوازن, نظریه بازی, یادگیری ماشین