نسیبه محمودی - دانشگاه مالک اشتر
حسین شیرازی
محمد فخردانش
کوروش دادش تبار احمدی

شبکه­های عصبی کانولووشنال یکی از موفق­ترین و پراستفاده­ترین مدل­های یادگیری ماشین در دسته­بندی داده­ها محسوب می­شود اما به رغم موفقیت­های چشمگیری که در دسته­بندی داده­ها دارند، در یادگیری نامتوازن، که یکی از چالش برانگیزترین 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 دسته­بندی اشتباه در دو دسته متفاوت است، این در حالی است که شبکه­های CNN به صورت پیش­فرض، توزیع دسته­ها را متوازن و هزینه دسته­بندی را مساوی در نظر می­گیرند. یکی از روش­های موفق در برخورد با مجموعه­داده­های نامتوازن، روش­های تجمعی­است. آنها با ترکیب تعدادی از تخمین گرهای پایه می­توانند به دقت بالایی دست پیدا کنند و در مقایسه با زمانی که تنها از یک تخمین گر استفاده می­شود، قابلیت اطمینان مدل را افزایش ­دهند.  استفاده از یادگیری تجمعی، مدل­های یادگیری ماشین را در مواجهه با داده های نامتوازن توانمند می­سازند. در این پژوهش، روشی مبتنی بر یادگیری تجمعی برای شبکه­های عصبی کانولووشنال معرفی شده­است که از تجمع  تعدادی شبکه­ CNN برای کار با داده­های نامتوازن استفاده می­کند. در این مدل از تابع ضرر کانونی برای آموزش CNN­ها استفاده­شده­است، پارامتر گاما در این تابع میزان اهمیت نمونه­های سخت و آسان را مشخص می­کند در مدل تجمعی پیشنهادی از پارامتر گاما برای ایجاد تنوع در CNN­ها استفاده­شده­است و این باعث شده­است هر شبکه کانولووشنال نسبت به شبکه قبلی اهمیت کمتری به داده­های آسان دهد. همچنین وزن داده­ها برای آموزش هر شبکه  با استفاده از نتیجه دسته­بندی شبکه CNN قبلی مشخص می­شود. در نهایت برای دسته بندی داده­های 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 F۱-score بسیار بالاتری (۶۳/۱۸، ۶۱/ ۱۹بالاتر) 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 بدست­آورده­است.

imbalanced learning, Ensemble learning, Focal loss function, Transfer learning, یادگیری نامتوازن, تابع ضرر کانونی, یادگیری تجمعی, یادگیری انتقالی