Multi-label classification aims at assigning more than one label to each instance. Many real-world Multi-label classification tasks are high dimensional, leading to reduced performance of traditional classifiers. Feature selection is a common approach to tackle this issue by choosing prominent features. Multi-label feature selection is an NP-hard approach, and so far, some swarm intelligence-based strategies and have been proposed to find a near optimal solution within a reasonable time. In this paper, a hybrid intelligence algorithm based on the binary algorithm of particle swarm optimization and a novel local search strategy has been proposed to select a set of prominent features. To this aim, features are divided into two categories based on the extension rate and the relationship between the output and the local search strategy to increase the convergence speed. The first group features have more similarity to class and less similarity to other features, and the second is redundant and less relevant features. Accordingly, a local operator is added to the particle swarm optimization algorithm to reduce redundant features and keep relevant ones among each solution. The aim of this operator leads to enhance the convergence speed of the proposed algorithm compared to other algorithms presented in this field. Evaluation of the proposed solution and the proposed statistical test shows that the proposed approach improves different classification criteria of Multi-label classification and outperforms other methods in most cases. Also in cases where achieving higher accuracy is more important than time, it is more appropriate to use this method.

الگوریتم های یادگیری چندبرچسبی به دلیل حجم و ابعاد بالای داده های چندبرچسبی و همچنین وجود نویز در آنها، با چالش های فراوانی مواجه هستند. انتخاب ویژگی یک تکنیک مؤثر برای برطرف کردن این چالش ها است. در این مقاله یک روش انتخاب ویژگی مبتنی بر یک رویکرد شورایی برای داده های چندبرچسبی ارائه شده است. در روش پیشنهادی، سه ماتریس تصمیم مختلف بر اساس معیار های ارزیابی ویژگی مختلف با درنظرگرفتن همگرایی ویژگی ها با برچسب های کلاس و همچنین افزونگی ویژگی ها نسبت به هم در فرایند انتخاب ویژگی مؤثر هستند. این سه ماتریس تصمیم در نهایت بر اساس یک رویکرد شورایی مبتنی بر مفهوم انتگرال فازی با هم ترکیب می شوند تا ارزیابی ویژگی ها بر اساس مقدار تجمیع شده صورت گیرد. برای ارزیابی عملکرد الگوریتم پیشنهادی، مقایساتی با چندین الگوریتم مشابه بر روی چند مجموعه داده مختلف صورت گرفته است. نتایج به دست آمده از آزمایش ها انجام شده، نشان دهنده عملکرد مناسب الگوریتم پیشنهادی در مقایسه با سایر الگوریتم ها است.

Identification of the exact location of an exon in a DNA sequence is an important research area of bioinformatics. The main issues of the previous signal processing techniques are accuracy and robustness for the exact locating of exons. To address the mentioned issues, in this study, a method has been proposed based on deep learning. The proposed method includes a new preprocessing, a new mapping method, and a Multi-scale modified and hybrid deep neural network. The proposed preprocessing method enriches the network to accept and encode genes at any length in a new mapping method. The proposed Multi-scale deep neural network uses a combination of an embedding layer, a modified CNN, and an LSTM network. In this study, HMR195, BG570, and F56F11.4 datasets have been used to compare this work with previous studies. The accuracies of the proposed method have been 0.982, 0.966, and 0.965 on HMR195, BG570, and F56F11.4 databases, respectively. The results reveal the superiority and effectiveness of the proposed hybrid Multi-scale CNN-LSTM network.

با وجود حجم عظیم محتوای چند رسانه ای در وب، ذخیره سازی و بازیابی آنها با بکارگیری روش های یادگیری موجود با محدودیت هایی از جمله کمبود حافظه مواجه شده است. تاثیر گذاری محدودیت های مد نظر در روش های یادگیری دارای مرحله آموزش مانند ماشین بردار پشتیبان (SVM) و شبکه های عصبی تا جایی است که امکان بکارگیری این روش ها در کاربرد های مقیاس بزرگ تقریبا غیر ممکن است. روش ماشین یادگیری سریع مبتنی بر هسته غیر خطی (KELM) یکی از روش های قدرتمند ارائه شده در حوزه یادگیری ماشین است. اساس مرحله یادگیری در این روش مبتنی بر ساخت ماتریس هسته نمونه های برچسب دار و محاسبه معکوس آن می باشد. از اینرو، بکارگیری این روش در محیط های مقیاس بزرگ با وجود تعداد زیاد نمونه های برچسب دار امکان پذیر نیست. در این پژوهش به منظور حل مشکل مطرح شده در بکارگیری KELM در کاربردهای مقیاس بزرگ، روشی مبتنی بر انتخاب نمونه های اولیه با بهره گیری از KELM در مقیاس کوچک همسایگی هر نمونه آموزش ارائه شده است. با بکارگیری روش انتخاب نمونه های اولیه ارائه شده، حجم مجموعه آموزش کاهش می یابد. بنابراین امکان استفاده از روش یادگیری KELM در کاربردهای مقیاس بزرگ فراهم می شود. از آنجایی که کاربردهای حوزه چند رسانه ای وب به صورت چندبرچسبه می باشند، روش ارائه شده در انتخاب نمونه های اولیه، مبتنی بر کاربردهای چندبرچسبه مانند شرح گذاری خودکار تصاویر است. نتایج آزمایش های تجربی بر روی دادگان چندبرچسبه مقیاس بزرگ NUS-WIDE و نسخه های آن مانندObject، Scene و Lite بیانگر کارایی روش ارائه شده در حل محدودیت های بکارگیری KELM در کاربردهای چندبرچسبه مقیاس بزرگ با انتخاب نمونه های اولیه دارد.

امروزه روش های مبتنی بر انتخاب ویژگی با توجه به افزایش داده های حجیم مورد توجه قرار گرفته اند. علاوه بر این با تولید مداوم داده های مختلف و نیز ابعاد بالای این داده ها، روش های موثر در کاهش ابعاد به ویژه انتخاب ویژگی مورد نیاز هستند. بسیاری از داده ها را می توان در گروه داده های چندبرچسبی قرار داد. به این معنا که هر نمونه در مجموعه داده می تواند متعلق به بیش از یک کلاس داده باشد. در این مقاله، یک روش انتخاب ویژگی مبتنی بر مجموعه های فازی مردد برای کاهش ایعاد داده های چندبرچسبی مبتنی بر مفهوم مجموعه های فازی مردد ارایه شده است. در این روش ما از ترکیب سه معیار مختلف در اندازه گیری همبستگی بین ویژگی ها وبرچسب ها و همچنین سه معیار شباهت برای اندازه گیری شباهت بین ویژگی ها استفاده کرده ایم. در واقع هر کدام از این روش ها را به عنوان یک خبره برای تصمیم گیری در انتخاب ویژگی درنظر گرفته ایم. ترکیب روش های همبستگی و شباهت بر اساس مفهوم انرژی اطلاعات در مجموعه های فازی مردد انجام گرفته است. برای اثبات موثر بودن روش پیشنهادی، مقایساتی با روش های جدید در حوزه انتخاب ویژگی چندبرچسبی صورت گرفته است. این مقایسات براساس معیار های دقت، زیان همینگ و زمان اجرای الگوریتم انجام شده اند.

مقدمه: نظر به اینکه سیستم آموزشی فعلی جهت دانشجویان گروه پزشکی به نحوی است که دانشجویان بیشتر زمان آموزش خود را در چارچوب برنامه های رسمی محدود به شرایط تصنعی و کلاسیک طی می کنند، در نتیجه میزان رضایت از کیفیت آموزش به روش موجود و کاربرد آموخته ها در شرایط واقعی نیاز به بررسی و حتی تغییر در رویکرد حاضر دارد.مرور مطالعات: با مطالعه تاریخچه خدمات و آموزش جامعه نگر و جامعه محور در می یابیم که حدود یک قرن پیش به صورت Service learning ارایه خدمات و آموزش به فراگیران همزمان در بستر جامعه انجام می پذیرفت. از اوایل 1900 تاکنون، آموزش دهندگان متوجه اهمیت ارتباط خدمات با اهداف آموزش شده اند و درطی قرن از 1960 تا 1970 در نتیجه S.L گذشته این مفهوم در آموزش جایگاه خود را حفظ کرده است. اغلب برنامه های فعالیت دانشجویان در جامعه در راستای اهداف آموزش توسعه یافت. این S.L اساس اعتقاد و مشابه نگرش ساختار گراهاست که معتقدند تولید و ساخت دانش در افراد از دانش و تجربیات پایه و مقدماتی شروع می شود بطرف فرایند یادگیری، تفسیر و بحث پیرامون اطلاعات جدید در زمینه اجتماع و محیط فردی پیش می رود. در حقیقت مفهوم یادگیری دو طرفه اساس و وجه تمایز تجربه ناشی از آموزش به روش دانشجویان به اهداف آموزشی دروس خود با مشارکت در برنامه های ارایه خدمت در شرایط واقعی دست می یابند و جامعه نیز مستقیما از آن بهره مند می شود. در این روش هم فراگیر و هم جامعه بهره مند می شوند. و فراگیران فعالانه به تولید محصول و خدمت مرتبط با اهداف آموزش می پردازند. با توسعه نگرشها، باورها و رفتارها در ارتباط با جامعه، شهروندانی مطلع و نیروی کار تولیدی تربیت می کنند. در این روش اساس کار دریافت باز خورد از جامعه و مدرسان است که به فراگیران فرصت می دهد دانش جدید خود را با دیگران مطرح کند و آموخته های خود را برای دیگران معنی دار کنند.بحث: در آموزش سنتی مردم بر خدماتی که دریافت میکنند، هیچ گونه کنترلی ندارند، فراگیران نیز قدرت مداخله و کاربرد آموخته های خود را ندارند ولی در این آموزش، تمام ابعاد نیازهای مردم دیده می شود و فراگیران با مشارکت مردم روی نیازها کار می کنند، مردم بر ارایه خدمات نظارت دراند. انریش می گوید: یادگیری فراگیران از طریق خواندن کتابهای قطور در اطاقهای در بسته ایجاد نمی شود، بلکه باید درهای پنجره ها را باز کرد و به دنبال تجربه بود. در نهایت به کمک SL فرصتی برای آزمون مسوولیت پذیری، تبدیل شدن به یک شهروند خوب را برای فراگیران در حین دستیابی به اهداف آموزش و ارایه خدمت به مردم ایجاد نماییم.