ردهبندی مجموعه داده نامتوازن با ابعاد بالا از طریق شبکههای رقابتی مولد عمیق مبتنی بر نظریه بازی | ||
| پدافند الکترونیکی و سایبری | ||
| دوره 9، شماره 2 - شماره پیاپی 34، تابستان 1400، صفحه 63-74 اصل مقاله (881.66 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| شیرین میرعابدینی1؛ محمدرضا کنگاوری* 2؛ جواد محمدزاده3 | ||
| 1دانشجوی دکتری گروه مهندسی کامپیوتر، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران | ||
| 2دانشیار گروه کامپیوتر دانشگاه علم و صنعت ایران، تهران، ایران | ||
| 3استادیار گروه مهندسی کامپیوتر، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران | ||
| چکیده | ||
| نظریه بازی با استفاده از مدلهای ریاضی به تحلیل روشهای همکاری یا رقابت موجودات منطقی و هوشمند میپردازد. نظریه بازی تلاش میکند تا رفتار ریاضی حاکم بر یک موقعیت تضارب منافع را مدلسازی کند. هدف نهایی این دانش، یافتن راهبرد بهینه برای بازیکنان است. یکی از جدیدترین ایدهها در کاربرد نظریه بازی درزمینهٔ هوش مصنوعی و یادگیری ماشین، شبکههای رقابتی مولد عمیق هستند. این شبکهها که از دو بخش تشکیل میشوند با استفاده از نظریه بازی و با رقابت با یکدیگر موجب میشوند امکان یادگیری بهصورت بدون نظارت و یا نیمه نظارتی فراهم گردد. از این شبکهها علاوه بر تولید داده، در شناسایی نرمافزارهای مخرب و امنیت نرمافزار، ترجمه ماشینی و پردازش زبان طبیعی و ساخت مدل سهبعدی از یک تصویر نیز استفاده میشود. اما این نوع مدلها به علت تعداد بالای تکرار و مؤلفههای ورودی، زمان آموزش بسیار طولانی دارند. در این مقاله در راستای حل مسئله زمان آموزش طولانی این شبکهها در موضوع ردهبندی مجموعه دادههای با ابعاد بالای نامتوازن، راهکاری ارائه میشود که ابتدا دادههای کم تعداد مربوط به کلاسهای مجموعه دادهها، مبتنی بر شبکه رقابتی مولد، بیشنمونهبرداری شده، سپس جهت بهبود کارایی شبکههای رقابتی مولد، موازیسازی شبکه مذکور انجامگرفته و با تمرکز بر افزایش کارایی، با ردهبندی تجمیعی نتایج حاصله در حالات مختلف مورد بررسی و ارزیابی قرار میگیرد. نتایج بهعملآمده روی ردهبندی مجموعه داده رتینوپاتی دیابتی با روش مذکور نشان داد با حفظ دقت ردهبندی 87%، زمان آموزش 74% کاهش مییابد که نتایج حاصله نسبت به آخرین پیشرفتهای علمی نیز دقت بالاتری را نشان می-دهد. | ||
| کلیدواژهها | ||
| شبکههای رقابتی مولد؛ شبکههای عصبی عمیق؛ ردهبندی تصاویر؛ مجموعه داده نامتوازن؛ نظریه بازی؛ یادگیری ماشین | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 888 تعداد دریافت فایل اصل مقاله: 669 |
||