مروری بر جدید ترین روش های انتخاب ویژگی در یادگیری عمیقتوسط الگوریتم های فراابتکاری برای داده های حوزه پزشکی
محل انتشار: اولین کنفرانس ملی پژوهش و نوآوری در هوش مصنوعی
سال انتشار: 1402
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 152
فایل این مقاله در 7 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_111
تاریخ نمایه سازی: 7 مرداد 1403
چکیده مقاله:
امروزه برای حل مسائل مختلف در دنیای محاسبات از تکنیک های گوناگونی استفاده می شود. الگوریتم های فراابتکاری قادر به ارائهراه حل های عملی هستند. با توجه به کارایی این الگوریتم ها، داده های مراقبت های بهداشتی برای تشخیص بیماری ها نسبت بهروش های سنتی کارایی بهتری دارند. یکی از کارهای مهم در یادگیری ماشین انتخاب ویژگی است. کاهش ابعاد مجموعه ویژگی باحفظ دقت عملکرد، هدف اصلی مشکل انتخاب ویژگی است. روش های مختلفی برای طبقه بندی مجموعه داده ها ارائه شده است . اینمقاله یک مرور ادبیاتی در حل مسئله انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری در سال های ۲۰۲۰-۲۰۲۳ ارائه می کند. هدف اصلی این مطالعه ارائه مشارکت محققان با نشان دادن روش شناسی آنها برای پیشبینی بیماری ها با استفاده از تکنیک هایفراابتکاری است. در این مقاله الگوریتم های مبتنی بر روش های هوش جمعی بررسی شده است. الگوریتم های فراابتکاری در حلمسئله انتخاب ویژگی بر اساس معماری مورد استفاده، نوع بیماری، اهداف و محدویت های آنها بررسی شده اند. انتظار می رود ارایهیک نمای کلی از انواع روش های مختلف همراه با مزایا و معایب آنها، محققان را به بررسی روش های پیشرفته تر تشویق کن د.همچنین ارائه راهنمایی برای متخصصان در انتخاب روش های مناسب مورد استفاده در سناریوهای دنیای واقعی باشد و محدودیت هاو مسائل بالقوه برای تحقیقات آینده را مورد بحث قرار دهد
کلیدواژه ها:
نویسندگان
مرضیه سادات امیرشاکرمی
دانشجوی دکتری تخصصی ، گروه مهندسی کامپیوتر، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران
مهدی شریفی
استادیار گروه کامپیوتر، دانشکده مهندسی کامپیوتر ، واحد نجفآباد، دانشگاه آزاد اسلامی، نجف آباد، ایران