يادگيري چندوظيفه‌اي هندسي براي دسته‌بندي با مجموعه‌داده‌ي محدود

كارشناسي ارشد

با وجود گسترش روزافزون مدل‌هاي يادگيري و عطش فراوان نسبت به جمع‌آوري داده‌هاي انبوه جهت آموزش مدل‌هاي پيچيده‌تر و جامع‌تر، امروزه توسعه و طراحي مدل‌هاي يادگير به‌وسيله‌ي تعداد محدودي از داده‌ها، هم‌چنان يك حوزه‌ي تحقيقاتي فعال و مطرح در پژوهش‌هاي هوش مصنوعي است. راه‌كارهاي يادگيري با مجموعه‌داده‌ي محدود در بسياري از مسائل دنياي واقعي كه در آن جمع‌آوري مقدار انبوهي از داده‌ها ناممكن، پرهزينه يا زمان‌بر است از اهميت بالايي برخوردار مي‌باشد. روش‌هاي يادگيري متعددي مانند انواع چارچوب‌هاي يادگيري چندوظيفه‌اي براي حل چالش كمبود داده ارائه شده است. اما روش‌هاي كنوني اغلب از ويژگي‌هاي مهم داده‌ها به نحو كارآمد و به‌روز استفاده نكرده‌اند و دقت و كارايي قابل قبولي ندارند. در اين پژوهش سعي در ارائه‌ي راه حلي جهت بهبود مدل‌هاي يادگيري با مجموعه‌داده‌ي محدود پرداخته شده است. مدل‌هاي يادگيري با داده‌ي محدود معمولاً در قالب يادگيري چندوظيفه‌اي ارائه مي‌شوند. با استفاده از رويكرد يادگيري چندوظيفه‌اي، مي‌توان مدلي را جهت انجام چندين وظيفه‌ي تعريف شده در يك فضاي ويژگي مشترك، آموزش داده و حداكثر بهره‌وري از داده‌‌ها را به عمل آورد. هم‌چنين مي‌توان مشكل كمبود داده‌ها را تاحدودي حل نمود. در اين پژوهش يك چارچوب يادگيري چندوظيفه‌اي جهت دسته‌بندي با مجموعه‌داده‌ي محدود پيشنهاد مي‌گردد. علاوه بر اين، در بسياري از مسائل كاربردي دنياي واقعي، وظايف ممكن است به گونه‌اي ساختاريافته باشند كه بتوان آن‌ها را با يك رويكرد هندسي مورد حل و بررسي قرار داد. از اين رو در پژوهش انجام شده، ويژگي‌هاي هندسي داده‌ها نيز مورد توجه قرار گرفته است و يك رويكرد يادگيري چندوظيفه‌اي هندسي ارائه مي‌شود. در يادگيري چندوظيفه‌اي هندسي، داده‌هاي مرتبط با وظايف مختلف مي‌توانند در يك فضاي اقليدسي منظم يا يك فضاي نااقليدسي مانند خمينه يا به‌طور خاص گراف تعريف شوند كه هدف از اين پژوهش، بهره‌وري از ويژگي‌هاي هندسي داده در فضاي گراف است. در اين پژوهش از مهم‌ترين ابزار تحليل و مدل‌سازي داده‌هاي با ساختار گراف يعني شبكه‌هاي عصبي گراف استفاده گرديده است. علي‌رغم نيازمندي اين شبكه‌ها به داده‌هاي زياد جهت يادگيري بازنمايي، سعي شده است با استفاده از يك رويكرد يادگيري چندوظيفه‌اي اين وابستگي را به حداقل رسانده و با بهره‌گيري از ويژگي‌هاي هندسي موجود ميان وظايف مختلف، كارايي داده را افزايش داد. در رويكرد پيشنهادي، با استفاده از يك شبكه‌ي خودكدگذار گراف، اقدام به يادگيري بازنمايي داده‌ها گرديده و از بازنمايي‌هاي به دست آمده در فضاي نهان داده‌ها در مسئله‌ي دسته‌بندي با مجموعه‌داده‌ي محدود استفاده مي‌شود. با ارزيابي نتايج حاصل از چارچوب پيشنهادي، مي‌توان بهبود و برتري قابل توجهي را در ميان رويكردهاي يادگيري چندوظيفه‌اي مشابه مشاهده نمود. با بهره‌گيري از ويژگي‌هاي هندسي داده‌ها در مدل پيشنهادي، بهترين ميزان تفكيك‌پذيري داده‌هاي مرتبط با هر دسته (AUC برابر79٪) در بين مدل‌هاي مشابه به‌دست آمده است.

228277

دانشگاه اصفهان

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

پيمان اديبي , حسين كارشناس نجف آبادي