طراحی مدل یادگیری فدرال انرژیآگاه برای تحلیل احساسات در سامانههای خردهوش مصنوعی

گسترش کاربردهای هوش مصنوعی در سامانههای لبهای و دستگاههای دارای منابع محدود، ضرورت طراحی مدلهایی را افزایش داده است که افزون بر دقت قابل قبول، از نظر مصرف انرژی، اندازه مدل و امکان آموزش توزیعشده نیز کارآمد باشند. در بسیاری از کاربردهای پردازش زبان طبیعی، بهویژه تحلیل احساسات، مدلهای عمیق متداول با وجود عملکرد مناسب، برای اجرا در محیطهای خردهوش مصنوعی با محدودیت حافظه، توان پردازشی و انرژی روبهرو هستند. هدف این پژوهش ارائه و ارزیابی یک مدل یادگیری فدرال انرژیآگاه برای تحلیل احساسات متون کوتاه است؛ مدلی که بتواند بدون تمرکز کامل دادهها، کارایی پیشبینی را حفظ کرده و همزمان هزینه انرژی و حجم مدل را کاهش دهد. در این راستا، از مجموعهداده Sentiment۱۴۰ استفاده شد و پس از پیشپردازش متن، یک معماری ترکیبی شامل لایه تعبیهسازی، شبکه کانولوشنی یکبعدی و واحد بازگشتی دوسویه GRU طراحی گردید. آموزش مدل در چارچوب یادگیری فدرال و با بهکارگیری بهینهساز Adam انجام شد و عملکرد آن با مدل پایه CNN-LSTM مبتنی بر SGD مقایسه گردید. یافتهها نشان داد مدل پیشنهادی با دستیابی به دقت ۷۸.۲۱ درصد، ضمن حفظ سطح عملکرد طبقهبندی، مصرف انرژی را حدود ۱۲ درصد و اندازه مدل کوانتیزهشده را حدود ۴.۳ درصد کاهش داده است. همچنین شاخص دقت به ازای انرژی در مدل پیشنهادی ۱۳.۹۶ درصد بهبود یافت. نتایج نشان میدهد ترکیب یادگیری فدرال، معماری CNN-BiGRU و ملاحظات انرژی میتواند رویکردی مناسب برای توسعه سامانههای تحلیل احساسات در کاربردهای خردهوش مصنوعی و لبهای باشد.

کلیدواژه ها:

خردهوش مصنوعی ، یادگیری فدرال ، تحلیل احساسات ، پردازش زبان طبیعی ، مصرف انرژی