سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

Login
PapersConferencesJournals

رده بندی مجموعه داده نامتوازن با ابعاد بالا از طریق شبکه های رقابتی مولد عمیق مبتنی بر نظریه بازی

Publish place: Electronic and cyber defense، Vol: 9، Issue: 2
Publish Year: 1400
Type: Journal paper
Language: Persian
View: 449

This Paper With 13 Page And PDF Format Ready To Download

DOWNLOAD Paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:
https://civilica.com/doc/1250138

Document National Code:

JR_PADSA-9-2_006

Index date: 3 August 2021

رده بندی مجموعه داده نامتوازن با ابعاد بالا از طریق شبکه های رقابتی مولد عمیق مبتنی بر نظریه بازی abstract

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.

رده بندی مجموعه داده نامتوازن با ابعاد بالا از طریق شبکه های رقابتی مولد عمیق مبتنی بر نظریه بازی Keywords:

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

رده بندی مجموعه داده نامتوازن با ابعاد بالا از طریق شبکه های رقابتی مولد عمیق مبتنی بر نظریه بازی authors

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

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
M. R. K. H. Saberi and M. R. Hasani Ahangar, ...
S. Krig, “Feature learning and deep learning architecture survey,” in ...
I. Goodfellow, Y. Bengio, and A. Courville, Deep learning, MIT ...
S. P. M. Zakeri Nasrabadi۱, “Automatic Test Data Generation in ...
D. C. Ciresan, U. Meier, J. Masci, L. M. Gambardella, ...
C. C. Chatterjee, “Basics of the Classic CNN,” https://towardsdatascience.com/basics-of-the-classic-cnn-a۳dce۱۲۲۵add (accessed ...
“Convolutional Neural Networks (CNNs / ConvNets),” https://cs۲۳۱n.github.io/convolutional-networks/ (accessed ...
Y. Sun, A. K. Wong, and M. S. Kamel, “Classification ...
M. Buda, A. Maki, and M. A. Mazurowski, “A systematic ...
J. v. Neumann, “Zur theorie der gesellschaftsspiele,” Mathematische annalen, vol. ...
A. W. Tucker and R. D. Luce, Contributions to the ...
A. A. M. Forooghy and M. Bagheri, “A Decision-Making Model ...
I. Goodfellow et al., “Generative adversarial nets,” in Advances in ...
E. L. Denton, S. Chintala, and R. Fergus, “Deep generative ...
I. Goodfellow, “NIPS ۲۰۱۶ tutorial: Generative adversarial networks,” arXiv preprint ...
A. Radford, L. Metz, and S. Chintala, “Unsupervised representation learning ...
M. Mirza and S. Osindero, “Conditional generative adversarial nets,” arXiv ...
J. An and S. Cho, “Variational autoencoder based anomaly detection ...
S. Nowozin, B. Cseke, and R. Tomioka, “f-gan: Training generative ...
A. Kadurin, S. Nikolenko, K. Khrabrov, A. Aliper, and A. ...
T. G. Dietterich, “Ensemble learning,” The handbook of brain theory ...
L. Torrey and J. Shavlik, “Transfer learning,” in Handbook of ...
F. N. Iandola, S. Han, M. W. Moskewicz, K. Ashraf, ...
O. Ronneberger, P. Fischer, and T. Brox, “U-net: Convolutional networks ...
H. Qassim, A. Verma, and D. Feinzimer, “Compressed residual-VGG۱۶ CNN ...
F. C. e. al., “Keras” https://keras.io (accessed) ...
M. Abadi et al., “Tensorflow: Large-scale machine learning on heterogeneous ...
L. ZeBlemoyer. “Linear Regression Bias / Variance Tradeoff.” https://courses.cs.washington.edu/courses/cse۵۴۶/ (accessed ...
Y. Bengio, “Practical recommendations for gradient-based training of deep architectures,” ...
J. Hermans, “On Scalable Deep Learning and Parallelizing Gradient Descent,” ...
D. Masters and C. Luschi, “Revisiting Small Batch Training for ...
N. S. Keskar, D. Mudigere, J. Nocedal, M. Smelyanskiy, and ...
B. Graham, “Kaggle diabetic retinopathy detection competition report,” University of ...
M. Antony and S. Brüggemann, “Kaggle Diabetic Retinopathy Detection; Team ...
S. Qummar et al., “A deep learning ensemble approach for ...
[۳۶] H. Pratt, F. Coenen, D. M. Broadbent, S. P. Harding, ...
نمایش کامل مراجع