مدل طبقه بندي مبتني بر پرش قابل اعتماد و بهره‌گيري در داده‌كاوي و بيان به‌كارگيري در فرآيندكاوي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع و سيستم‌ها

دكتري

در سال‌هاي اخير، طبقه‌بندي مبتني بر يادگيري ماشين و يادگيري عميق به يكي از اركان اصلي سامانه‌هاي پشتيبان تصميم‌گيري در حوزه‌هاي حساس نظير پزشكي، مالي، صنعت، انرژي و محيط‌زيست تبديل شده است. با وجود پيشرفت‌هاي چشمگير در معماري‌هاي يادگيري عميق، بررسي ادبيات پژوهشي نشان مي‌دهد كه بسياري از مدل‌هاي موجود، علي‌رغم دستيابي به دقت‌هاي عددي بالا، همچنان با چالش‌هاي بنياديني نظير ناپايداري يادگيري، حساسيت به مقداردهي اوليه و بذر تصادفي، و عدم هم‌راستايي ميان تابع هزينه پيوسته و ماهيت گسسته مسئله طبقه‌بندي مواجه‌اند. اين چالش‌ها به‌ويژه در كاربردهاي حساس، اعتمادپذيري و قابليت استقرار عملي مدل‌ها را با ترديد مواجه مي‌سازد. در اين رساله، يك رويكرد نوين با عنوان يادگيري عميق مبتني بر پرش قابل اعتماد ارائه مي‌شود كه به‌عنوان يك مدل هيبريدي، منطق يادگيري گسسته جهت‌محور را با مفهوم قابليت اعتماد در فرآيند آموزش تلفيق مي‌كند. در اين چارچوب، به‌جاي به‌روزرساني‌هاي پيوسته و تدريجي مبتني بر گراديان، فرآيند يادگيري از پرش‌هاي گسسته و جهت‌دار در فضاي پارامترها بهره مي‌گيرد و تنها آن دسته از به‌روزرساني‌ها پذيرفته مي‌شوند كه علاوه بر بهبود عملكرد آموزشي، از پايداري مناسب بر روي داده‌هاي اعتبارسنجي برخوردار باشند. اين سازوكار، شكاف مفهومي ميان بهينه‌سازي پيوسته و هدف گسسته طبقه‌بندي را كاهش داده و به افزايش پايداري و قابليت اعتماد مدل منجر مي‌شود. براي ارزيابي عملكرد رويكرد پيشنهادي، بر روي مجموعه‌داده‌هاي متنوع در حوزه‌هاي مختلف داده‌كاوي از جمله داده‌هاي پزشكي، محيط‌زيستي و انرژي پياده‌سازي و با روش‌هاي كلاسيك و يادگيري عميق متداول مقايسه شده است. نتايج تجربي نشان مي‌دهد كه مدل پيشنهادي به‌طور ميانگين بهبود دقتي در حدود 6٫65٪ نسبت به شبكه‌هاي عصبي پيش‌خور عميق استاندارد ارائه مي‌دهد و در برخي كاربردهاي تشخيص خطا، دقت طبقه‌بندي از حدود 52٪ در روش‌هاي كلاسيك به بيش از 99٪ افزايش يافته است. علاوه بر اين، تحليل نتايج چندبذري نشان مي‌دهد كه رويكرد جديد واريانس عملكرد را به‌طور معناداري كاهش داده و نسبت به مقداردهي اوليه و تغييرات تصادفي، رفتار پايدارتر و قابل پيش‌بيني‌تري از خود نشان مي‌دهد. در ادامه، قابليت به‌كارگيري رويكرد پيشنهادي در چارچوب فرآيندكاوي و به‌ويژه در گام پيش‌بيني فعاليت بعدي مورد بررسي قرار گرفته است. نتايج نشان مي‌دهد كه اگرچه پياده‌سازي كامل يادگيري عميق مبتني بر پرش قابل اعتماد در مقياس فرآيندكاوي با چالش‌هايي نظير پيچيدگي محاسباتي و هزينه زماني همراه است، اما بهبود مدل‌هاي طبقه‌بندي در سطح داده‌كاوي مي‌تواند به‌طور مستقيم دقت و كارايي تحليل‌هاي فرآيندي را ارتقا دهد.در مجموع، اين رساله با بازتعريف منطق يادگيري طبقه‌بندي و ارائه يك چارچوب هيبريدي مبتني بر پرش قابل اعتماد، گامي در جهت توسعه مدل‌هاي دقيق‌تر، پايدارتر و قابل اعتمادتر در داده‌كاوي و كاربردهاي حساس برداشته و مسير روشني براي پژوهش‌ها و توسعه‌هاي آتي در حوزه يادگيري عميق و فرآيندكاوي ارائه مي‌دهد.

237641

صنايع

مهندسي صنايع و سيستم ها

دانشگاه صنعتي اصفهان