|
یادگیری تجمعی مبتنی بر تابع ضرر کانونی افزایشی (FENIL) برای غلبه بر نامتوازنی دسته ای
|
نسیبه محمودی   ، حسین شیرازی* ، محمد فخردانش ، کوروش دادش تبار احمدی |
| دانشگاه صنعتی مالک اشتر |
|
|
چکیده: (1141 مشاهده) |
| شبکه های عصبی کانولووشنال یکی از موفقترین و پراستفاده ترین مدلهای یادگیری ماشین در دسته بندی دادهها محسوب میشود اما به رغم موفقیتهای چشمگیری که در دسته بندی دادهها دارند، در یادگیری نامتوازن، که یکی از چالش‌برانگیزترین مشکلات در یادگیری ماشین است، به ﻧﺘایج ﻗﺎﺑﻞ ﻗﺒﻮلی دﺳﺖ پیدا نمیکنند چرا که در این گونه مسائل، ﻣﻌﻤﻮﻻ ﺗﻌﺪاد ﻧﻤﻮﻧﻪﻫﺎی یکی از دستهﻫﺎ ﺧﯿلی ﺑﯿﺸﺘﺮ از ﻧﻤﻮﻧﻪﻫﺎی دسته دیگر اﺳﺖ و یا هزینه دسته بندی اشتباه در دو دسته متفاوت است، این در حالی است که شبکه های CNN به صورت پیشفرض، ﺗﻮزیع دستهﻫﺎ را متوازن و هزینه دسته بندی را مساوی در ﻧﻈﺮ میگیرند. یکی از روشهای موفق در برخورد با مجموعه داده های نامتوازن، روشهای تجمعی است. آنها با ترکیب تعدادی از تخمین‌گرهای پایه میتوانند به دقت بالایی دست پیدا کنند و در مقایسه با زمانی که تنها از یک تخمین‌گر استفاده میشود، قابلیت اطمینان مدل را افزایش دهند. استفاده از یادگیری تجمعی، مدلهای یادگیری ماشین را در مواجهه با داده‌های نامتوازن توانمند میسازند. در این پژوهش، روشی مبتنی بر یادگیری تجمعی برای شبکه های عصبی کانولووشنال معرفی شده است که از تجمع تعدادی شبکه CNN برای کار با داده های نامتوازن استفاده میکند. در این مدل از تابع ضرر کانونی برای آموزش CNNها استفاده شدهاست، پارامتر گاما در این تابع میزان اهمیت نمونه های سخت و آسان را مشخص میکند در مدل تجمعی پیشنهادی از پارامتر گاما برای ایجاد تنوع در CNNها استفاده شدهاست و این باعث شده است هر شبکه کانولووشنال نسبت به شبکه قبلی اهمیت کمتری به داده های آسان دهد. همچنین وزن داده ها برای آموزش هر شبکه با استفاده از نتیجه دسته بندی شبکه CNN قبلی مشخص میشود. در نهایت برای دسته بندی داده های جدید از ترکیب نتیجه همه CNNها استفاده میشود. شبکه تجمعی یشنهادی (FENIL) برروی چندین مجموعه داده اعمال شده است، براساس نتایج بدست آمده، شبکه FENIL نه تنها درمقایسه با روشهای غیر عمیق مثل آدابوست با درخت تصمیم، دقت و F1-score بسیار بالاتری (63/18، 61/ 19بالاتر) دارد، بلکه در مقایسه با روشهای معمول عمیق دیگر مانند استفاده از یک CNN عمیق، رای گیری CNNها و CNNهای آبشاری و SMOTE نیز نتایج بهتری را بدست آوردهاست. |
|
| واژه‌های کلیدی: یادگیری نامتوازن، تابع ضرر کانونی، یادگیری تجمعی، یادگیری انتقالی |
|
|
متن کامل [PDF 701 kb]
(191 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
هوش مصنوعی
دریافت: 1401/4/21 | پذیرش: 1401/6/26 | انتشار: 1402/3/6
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
