مروری بر چالش های حاکم بر خوشه بندی عمیق
محل انتشار: اولین کنفرانس ملی پژوهش و نوآوری در هوش مصنوعی
سال انتشار: 1402
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 191
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CRIAL01_107
تاریخ نمایه سازی: 7 مرداد 1403
چکیده مقاله:
خوشه بندی یک تکنیک تحلیلی استفاده شده برای گروهبندی دادههای بدون برچسب و استخراج اطلاعات معنی دار است که توسعهچندین الگوریتم خوشه بندی با کاربردهای متنوع را به دنبال داشته است. هدف اصلی از خوشه بندی، یافتن الگوها و تفاوتهای مختلفدر داده ها است. همانطور که داده ها به طور فزایندهای پیچیده و پیچیده می شوند، روش های خوشه بندی کمعمق (سنتی) که نیاز بهویژگی های مشخص دارند، دیگر نمی توانند نوع داده های با ابعاد بالا را مدیریت کنند و برای داده های بدون ساختار مناسب نیستند. درخوشه بندی عمیق، یک مدل شبکه عصبی عمیق برای یادگیری بازنمایی داده ها و یک الگوریتم خوشه بندی برای خوشه بندی داده هااستفاده می شود. اگرچه با استفاده از یادگیری عمیق و خوشه بندی عمیق میتوان به نتایج موفقیت آمیزی دستیافت اما هنوز همچالش هایی در خوشه بندی عمیق وجود دارد که نیازمند راه حل های مناسب هستند. این مقاله به بررسی محدودیت ها و چالش هایموجود در خوشه بندی عمیق می پردازد و در صورت وجود راه حل ها و بهبودهای ممکن را معرفی می کند .
کلیدواژه ها:
نویسندگان
سپیده معمار منتظرین
دانشجوی مهندسی کامپیوتر، واحد اصفهان (خوراسگان) ، دانشگاه آزاد اسلامی، اصفهان، ایران
هما موحدنژاد
استادیار دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی ، نجف آباد، ایران
مهدی شریفی
استادیار دانشکده مهندسی کامپیوتر، واحد نجف آباد، دانشگاه آزاد اسلامی ، نجف آباد، ایران