یادگیری تجمعی مبتنی بر تابع ضرر کانونی افزایشی (FENIL) برای غلبه بر نامتوازنی دسته ای
عنوان مقاله: یادگیری تجمعی مبتنی بر تابع ضرر کانونی افزایشی (FENIL) برای غلبه بر نامتوازنی دسته ای
شناسه ملی مقاله: JR_ICI-6-2_004
منتشر شده در در سال 1401
شناسه ملی مقاله: JR_ICI-6-2_004
منتشر شده در در سال 1401
مشخصات نویسندگان مقاله:
نسیبه محمودی - دانشگاه مالک اشتر
حسین شیرازی
محمد فخردانش
کوروش دادش تبار احمدی
خلاصه مقاله:
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.
کلمات کلیدی: imbalanced learning, Ensemble learning, Focal loss function, Transfer learning, یادگیری نامتوازن, تابع ضرر کانونی, یادگیری تجمعی, یادگیری انتقالی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1667230/