مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

44
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

13
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

بهبود کارایی شبکه عصبی کانولووشنال با استفاده از تابع ضرر وزن دار افزایشی برای مقابله با نامتوازنی دسته ای

صفحات

 صفحه شروع 17 | صفحه پایان 34

چکیده

 باتوجه به اینکه بیشتر مسائل دنیای واقعی از ﻗﺒﯿﻞ تشخیص تقلب, شناسایی خطا,  ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری, ﺗﺸﺨﯿﺺ ﭘﺰشکی و تشخیص بدافزار نامتوازن هستند, دسته­بندی داده­ﻫﺎ در مسائل ﻧﺎمتوازن ﺑﻪ ﻋﻨﻮان یکی از ﭼﺎﻟﺶ­ﻫﺎی اصلی در حوزة داده­ﮐﺎوی, ﻣﻮرد ﺗﻮﺟﻪ ﺑﺴﻴﺎری از ﻣﺤﻘﻘﺎن و ﭘﮋوﻫﺶﮔﺮان ﻗﺮارﮔﺮﻓﺘﻪ اﺳﺖ. در یادگیری نامتوازن, ﻣﻌﻤﻮﻻ ﺗﻌﺪاد ﻧﻤﻮﻧﻪ­ﻫﺎی یکی از دسته­ﻫﺎ ﺧﯿلی ﺑﯿﺸﺘﺮ از ﻧﻤﻮﻧﻪﻫﺎی دسته دیگر اﺳﺖ و یا هزینه دسته­بندی اشتباه در دودسته متفاوت است. شبکه­های عصبی کانولووشنال به رغم موفقیت­های چشمگیری که در دسته­بندی داده­ها دارند, در مسائل نامتوازن با مشکل مواجه می­شوند چرا که آنها به صورت پیش­فرض, ﺗﻮزﯾﻊ دسته­ﻫﺎ را متوازن و هزینه دسته­بندی را مساوی در ﻧﻈﺮ ﮔﺮﻓﺘﻪ می­گیرند, ازاین رو در دسته­بندی نامتوازن, نمی­توان به ﻧﺘﺎﯾﺞ قابل قبولی دست یافت؛ زﯾﺮا شبکه ﺑﻪ ﺳﻤﺖ ﻧﻤﻮﻧﻪ­ﻫﺎی آﻣﻮزشی دسته ﺑﺰرگ­ﺗﺮ ﻣﺘﻤﺎﯾﻞ می شود ﮐﻪ اﯾﻦ ﻣﻮﺿﻮع ﺳﺒﺐ اﻓﺰاﯾﺶ ﺗﻌﺪاد ﺧﻄﺎﻫﺎ در تشخیص نمونه­ﻫﺎی ﻣﺜﺒﺖ می­ﺷﻮد.  یکی از راهکارهای کم­هزینه برای غلبه بر نامتوازنی داده­ها در شبکه­های  عصبی کانولوشنال استفاده از تابع ضرر به نفع دسته اقلیت است, در این مقاله تابع ضرری جدیدی معرفی شده است که به صورت تدریجی و با پیشرفت آموزش, اهمیت دسته اقلیت را افزایش می­دهد تا در انتهای آموزش به مقدار مشخص شده برسد و از اهمیت داده­های دسته اکثریت بکاهد, این امر باعث می­شود تا هم بتوانیم از قدرت آموزشی همه داده­ها استفاده کنیم و هم از غلبه داده­های دسته اکثریت جلوگیری کنیم. نتایج آزمایش روی سه مجموعه دادة مصنوعی, تشخیص فعالیت­های انسان و Cifar-10, همگرایی و کارایی روش پیشنهادی را نشان می­دهند, روش پیشنهادی با روش­های آدابوست مبتنی بر درخت تصمیم, شبکه کانولوشنال مبتنی بر آنتروپی متقابل و آنتروپی متقابل وزن­دار, روش SMOTE و روش CNN تجمعی مقایسه شده است. به ترتیب با کسب دقت 6/94, 92/92 و 23/69 در سه مجموعه­داده  (Cifar-10 با نرخ نامتوازنی 5 درصد) توانست از دیگر روش­ها پیشی بگیرد و دقت در مجموعه­داده مصنوعی نسبت به روش سنتی آدابوست مبتنی درخت تصمیم, 72/17 بالاتر است.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button