طراحی اکتشاف فضایی شتاب دهنده های FPGA برای شبکه های عصبی کانولوشن

Design Space Exploration of FPGA Accelerators for Convolutional Neural Networks

چکیده
1- مقدمه
2- چارچوب جستجوی ما
3- ارزیابی یک نقطه طراحی
4-آزمایشات
5- کار مرتبط
6-نتیجه گیری
منابع

چکیده
افزایش استفاده از الگوریتم های یادگیری ماشین، مانند شبکه های عصبی پیچشی (CNNها)، باعث می شود که روش شتابدهنده های سخت افزاری بسیار جالب باشد. اما، به سوالی در مورد چگونه طراحی بهتر یک شتابدهنده برای یک CNN مورد نظر، حتی در یک سطح بنیادی هنوز پاسخ داده نشده است. این مقاله این چالش را با فراهم کردن یک چارچوب جدید که می تواند بطور جهانی و دقیق انتخاب های معماری مختلف برای شتابدهنده-های CNN در FPGAها را ارزیابی و جستجو کند رفع می کند. چارچوب جستجوی ما گسترده تر از هر کار قبلی برحسب فضای طراحی است و منابع FPGA مختلف را برای بیشینه سازی عملکرد شامل منابع DSP، پهنای باند حافظه درون تراشه و حافظه بیرون تراشه درنظر می گیرد. نتایج تجربی ما با استفاده از بزرگترین مدل های CNN شامل مدلی که 16 لایه پیچشی دارد کارآمدی چارچوب ما و همچنین نیاز به چنین روش جستجوی معماری سطح بالا برای یافتن بهترین معماری برای یک مدل CNN را نشان می دهد.

2 – چارچوب جستجوی ما
A. مرور شتابدهنده
مدل شتابدهنده ما شامل یک آرایه محاسبه و سه بافر درون تراشه بصورت نشان داده شده در شکل 2 است. یک آرایه محاسبه یک آرایه از عناصر محاسبه است که کم و بیش بلوک های همگن شامل ضرب کننده ها و جمع کننده ها هستند. در این مقاله، از جملات آرایه محاسبه و آرایه MAC استفاده می کنیم. یک آرایه محاسبه محاسبه بدنه حلقه کرنل تعمیم یافته درامتداد برخی ابعاد فضای تکرار را اجرا می کند. مجموعه این ابعاد شکل یک آرایه محاسبه نامیده می شود، که ساختار داخلی آرایه محاسبه را دیکته می کند.

بافرها حافظه های چرک نویس هستند که بطور جزیی یا کامل آرایه های ورودی/خروجی و پارامترهای وزن را ذخیره می کند. اگر بطور جزیی ذخیره شوند، توسط حافظه خارجی پشتیبانی شده (مانند DRAM) و داده ها باید بین بافرها و حافظه خارجی منتقل شوند، که بطور همزمان با محاسبه با توجه به بافرینگ مضاعف اتفاق می افتد. بنابراین یک بافر باید بافردهی مضاعف شود مگر اینکه به پشتیبانی توسط حافظه خارجی نیاز نداشته باشد.

فرض می کنیم که ضرب کننده ها و جمع کننده ها مورد نیاز برای اجرای عملیات بدنه حلقه کرنل با استفاده از بلوک های DSP اجرا می شوند. به همین ترتیب بافرها فرض می شود که با استفاده از بلوک های RAM اجرا می شوند. فرض می کنیم که پهنای باند حافظه بادوام ماکزیمم داده می شود که می تواند بطور تجربی توسط شبیه سازی کنترل کننده حافظه برای زمان کافی طولانی بدست آید.

استخراج و شناسایی بدافزار اندروید بر اساس مجوزها

Mining and Detection of Android Malware Based on Permissions

چکیده
1. مقدمه
2. آثار مرتبط
3. بررسی سیستم
4. طبقه بندی و ارزیابی
5. نتیجه گیری ها
منابع

چکیده
با توجه به توزیع باز اپلیکیشن و وجود بیش از 2 میلیارد کاربر فعال، پلتفرم اندروید کماکان به شکل خام توسط توسعه دهندگان بدافزار به کار گرفته می شود. با توجه به گزارش تهدیداتی McAfee، تعداد گروه های بدافزاری یافت شده در گوگل پلی در سال 2017 تا 30 درصد افزایش داشته است. یکی از مهمترین مکانیزم های محافظتی در برابر بدافزا مدل کنترل دسترسی مبتنی بر مجوز ر است. در این مقاله، مدل جدیدی را که مبتنی بر مجوز را ارائه می کنیم که از مزایای مدل می توان به کارایی و دقت بالا در تشخیص و آنالیز بدافزار اندروید اشاره نمود، همچنین قابلیت بالقوه در شناسایی بدافزار ناشناس قبلی را دارد. در این مدل، انتخاب مشخصه را با معرفی یک روش وزنی جدید به نام TF-IDFCF بهبود می بخشیم که مبتنی بر فرکانس کلاس مشخصه است. نتایج آزمایشات نشان می-دهد که روش ارائه شده دارای نرخ تشخیص بیش از 95.3% با نرخ مثبت کاذب پایین در زمان تست و بررسی با طبقه بندی کننده ها است.

2. آثار مرتبط
با استفاده از ویژگی های مربوط به مجوز تحقیقات زیادی در مورد طبقه بندی بدافزار اندروید انجام می شود. برخی از آثار مربوط به تشخیص بدافزار مبتنی بر مجوز اشاره می شود.

X. Lin و J.Lin چارچوبی را ارائه می کنند که هر دو مجوز درخواست شده و استفاده شده در اپلیکیشن های اندروید را در نظر می گیرد [4]. چارچوب دو تشخیص لایه بندی شده بدافزار است و تکنیک های یادگیری ماشین را به منظور رسیدن به دقت بالا استفاده می کند که این با پتانسیل تشخیص اپلیکیشن های بدافزار اندروید مبتنی بر مجوز همراه است. پ. روولی بهمراه وای ویگفاسن یک معماری ساده سرور- مشتری از سیستم تشخیص بدافزار مبتنی بر مجوز را ارائه می کنند که مجوزهای درخواست شده را چون نشانگرهای رفتاری می بیند [5]. سیستم دارای بخش های بررسی کننده مجوز جانب- مشتری و جانب- سرور است. بخش سمت – مشتری مجوزها را از اپلیکیشن های اندروید استخراج می کند و آنها را به بخش سمت- مشتری ارسال می کند. بخش جانب- مشتری اپلیکیشن ها را همچون بدافزار یا بی خطر طبقه بندی می کند. زد. آنگ و و. ژاو ماشین یادگیری مبتنی بر چارچوب را برای تشخیص اپلیکیشن های مخرب و بهبود امنیت در اندروید مبتنی بر کاربران دستگاهای تلفن همراه ارائه می کنند. این چارچوب مشخصات مختلف مبتنی بر مجوز استخراج شده از اپلیکیشن های اندروید را مونیتور می-کند و یادگیری ماشین را استفاده می کند تا اپلیکیشن ها را در دسته های مخرب و بی خطر طبقه بندی کند. سیستم بهره اطلاعاتی را بعنوان روش انتخاب مشخصه استفاده می کند. آنها مجوزهای بیشتری از اپلیکیشن های مختلف دانلود شده از نشانگرهای اندروید استخراج می کنند تا مدل را تولید کنند. زد. ژیائویان و اف. ژوان سیستم شناسایی بدافزار را ارائه می کنند که فعالیت اپلیکیشن دستگاه تلفن همراه را آنالیز می کند [7]. ویژگی ها استخراج شده روش آنالیز جزء اصلی را چون انتخاب مشخصه استفاده می کند و روش ماشین بردار پشتیبان به منظور آموزش و ساخت طبقه بندی کننده برای تشخیص بدافزار به کار گرفته می شود. با مشارکت کاربران دستگاه های تلفن همراه مبتنی بر اندروید، این چارچوب قادر به طبقه بندی کردن اپلیکیشن های اندروید در دسته های مخرب و بی خطر است. د. آرپ، ام. اشپریزنبارث، ام. هابنر، اچ. گاسکون، ک. ریک، و سی. سایمنز تاکید بر استفاده از روش تشخیص بدافزار اندروید دارند که قابلیت تشخیص اپلیکیشن های بدافزار در گوشی های هوشمند را اجرا می کند [8]. رویکرد از طریق جمع آوری تمامی ویژگی های احتمالی APK اندروید، آنالیز مربوط به استاتیک صفحه را انجام می دهد. این روش کل مشخصات را در فضای برداری مشترک جاسازی می کند و اپلیکیشن های مخرب را بطور خودکار شناسایی می کند. از مزیت های این رویکرد می توان به بهره وری زمان در آنالیز اپلیکیشن های ناشناخته اشاره کرد. روش را می توان بصورت مستقیم روی دستگاه های تلفن همراه استفاده کرد، و عمل محفاظت از راه-اندازی در برابر منابع غیرمطمئن اجرا می شود. عافر و همکاران مطالعه را از طریق آنالیز بدافزار برای استخراج مشخصات مربوط به بدافزار و رفتار انجام شده در سطح API انجام می دهند، آنها طبقه بندی کننده های یادگیری ماشین سبک- وزن و قدرتمند را با استفاده از مجموعه داده ها آموزش می دهند، داده ها از مجموعه ویژگی های بهره برداری شده حاصل می شود [9]. نتایج تجربی آنها به کمک طبقه بندی کننده KNN نشان از یک TPR با 99% و 2.2% است.

استفاده از الگوریتم یادگیری ماشین در آموزش بازاریابی

Application of Machine Learning Algorithm in Marketing Education

چکیده

1 مقدمه

2 تحقیقات مرتبط

3 موقعیت فعلی ترکیب حالت بازاریابی

4 ایده بازاریابی پایگاه داده مبتنی بر الگوریتم یادگیری ماشینی

5 یادگیری ماشینی پنج دلیل برای بازاریابی آینده است

6 نتیجه گیری

منابع

چکیده

تکامل علمی و فناورانه بشر، شناخت فروشندگانی را که بیش از یک دهه قبل تنها با راه اندازی مغازه های کوچک آشنا بودند، دچار تغییر کرده است. در این دوره، تغییر از کسب و کارهای ساده مرتبط با مبادلات آنلاین پیچیده نه تنها توسعه علم و فناوری و پیشرفت چند برابری را نشان می دهد، بلکه همچنین تغییر در روش ها و ابزارهای بازاریابی را نشان می دهد. در زمینه بازاریابی در داخل و خارج از کشور، بازاریابی پایگاه داده بعنوان یک روش بازاریابی مقرون به صرفه در سالهای اخیر همانند یک فروشنده تازه کار در بازار فروش مورد توجه زیادی قرار گرفته است. با این حال، بازاریابی پایگاه داده بعنوان پیش بینی کننده بازار غیرقابل پیش بینی یا الکترونیک های نوترونی از طریق تحلیل داده ساده کامل می شود که به شیوه خاصی استفاده می شود. بنابراین، این مقاله مبتنی بر کاربرد الگوریتم یادگیری ماشینی در زمینه بازاریابی است. 

2- تحقیقات مرتبط
2-1- رویه های اصلی بازاریابی پایگاه داده
     بازاریابی پایگاه داده نه تنها می تواند مدیریت و کنترل کیفی جامع را ارائه دهد، بلکه همچنین یک مدل بازاریابی جدید را براساس فناوری اطلاعات توسعه می دهد، که در شیوه فعلی و تایید به سطح جدیدی رسیده است. با بهبود بازاریابی پایگاه داده، استفاده گسترده ای در خدمات تجاری، خدامت سفارش، بازاریابی کلان داده، سازمان های غیر انتفاعی و حتی تامین مالی تولید صنعتی شده است. بازاریابی پایگاه داده نیاز به کنترل کلان منطقی و برنامه بازاریابی متفکرانه دارد. بازاریابی پایگاه داده در طبقه بندی و موقعیت یابی کمی و دقیق تر است، و یک برنامه بازاریابی موثر است. باید اعتماد و «رابطه صمیمی» با مصرف کنندگان ایجاد شود [3]. این مورد رابطه انسان-ماشین را نشان می دهد، یک هسته مصنوعی ایجاد می کند، حقوق مصرف کنندگان و فروشندگان را ارزیابی می کند. همانطور که در شکل 2 نشان داده شده است، به طور کلی رویه های اصلی بازاریابی پایگاه داده را می توان به صورت زیر خلاصه کرد:

2-2- بررسی الگوریتم های یادگیری ماشینی
     یادگیری ماشینی روش خود تعلیمی و خود بهبودی و بهینه سازی عملکرد میزان زیادی از داده های موجود است. الگوریتم طبقه بندی یادگیری ماشینی عمدتا به دو فرایند تقسیم می شود: ایجاد و طبقه بندی مدل. ابتدا، الگوریتم طبقه بندی انتخاب می شود، و یک مدل طبقه بندی با آموزش پارامترهای مدل از طریق آموزش مجموعه داده بدست می آید، و سپس مدل آموزش دیده برای برچسب گذاری داده نمونه ناشناخته آموزش دیده استفاده می شود. یادگیری ماشینی عمدتا شامل طبقه بندی بدون نظارت و طبقه بندی نظارت شده می شود.

     طبقه بندی بدون نظارت عمدتا برای خوشه بندی استفاده می شود، یعنی بدون آگاهی از طبقه بندی مجموعه داده آموزشی به صورت خودکار قوانین را از مجموعه داده برای ایجاد خوشه ها پیدا کنید. هر خوشه را برای تشکیل یک طبقه علامت گذاری کنید.

تشخیص الگوی عمومی با استفاده از یادگیری ماشین در فضای ابری

General pattern recognition using machine learning in the cloud

چکیده

1 مقدمه

2 بررسی پژوهش

3 تشخیص الگو با استفاده از یادگیری ماشین

4 آثار مرتبط با موضوع ما

منابع

چکیده
     یادگیری ماشین(ML) و رایانش ابری، دو زمینۀ مطالعاتی هستند که از ادغام پذیری بسیار خوبی برخوردارند. وجود رایانش ابری، این امکان را برای دانشمندان داده فراهم می سازد تا مدل های یادگیری ماشین خود را را با بهره گیری از مزایای رایانش ابری اعم از هزینۀ کم، عملکرد عالی و دسترس پذیری بالا ایجاد نمایند. این مهم، فرصت جدیدی را در اختیار دانشجویان و سایر افراد می گذارد تا با به کارگیری سرویس ابری مناسب، ماشین های قدرتمند را در کارهای روزمرۀ خود مورد استفاده قرار دهند. از سوی دیگر، معمولاً یادگیری ماشین، برای تشخیص الگوها در زندگی روزمرۀ ما، روشی ایده آل به شمار می‌رود. این مقاله، امکان پذیری و مزایای ایجاد یک الگوی تشخیص همه منظورۀ کاربرپسند را به چالش می کشد که می تواند توسط هر فردی که از نرم افزار به عنوان یک سرویس(SaaS) استفاده می کند، به کار گرفته شود.

2-2 تشخیص الگو

     تشخیص الگو، مطالعۀ درک داده ها با هدف استخراج معانی و ویژگی های درون الگوها است. اگر با دیدی موشکافانه به محیط پیرامون خود بنگریم، الگوها را در همه جا رویت خواهیم نمود. آنها معمولاً توسط ما برای شناسایی هر گونه شی ای مورد استفاده قرار می گیرند. همچنین درست در زمانی که ما در حال تجسم هستیم، ماشین ها می توانند از الگوها برای هرگونه هدف امکان پذیری استفاده کنند[10].

2-3 رایانش ابری

     رایانش ابری مفهومی است که خدمات کامپیوتری در آن وجود دارند و این خدمات از طریق اینترنت در دسترس قرار می گیرند. این عامل، برای صاحبان سرور این امکان را فراهم می سازد تا به آسانی، سرورهای خود را را فارغ از هرگونه تخصص در مدیریت و نگهداری سخت افزار و نرم افزار مربوط به سرورهای کامپیوتری اجرا نمایند. افزون بر این، رایانش ابری مدیران سرور را قادر می سازند که به راحتی یک سرور مقیاس پذیر و مبتنی بر پرداخت را اجاره کنند[11]. ابر، یک مخزن سرور است که می تواند منابع محاسباتی را در اختیار مشتریان خود قرار دهد. برخی از ویژگی های رایانش ابری عبارتند از: خود ترمیم شونده، چند مستاجره، مقیاس پذیر خطی، سرویس گرا، مبتنی بر SLA( توافقنامه سطح خدمات) و انعطاف پذیر.

      چهار عنصر اساسی در رایانش ابری وجود دارد که عبارتند از: سلف سرویس بر حسب تقاضا، که در آن کاربران بدون اینکه نیاز به تماس مستقیم با ارائه دهندگان برای دریافت مجوز داشته باشند، می توانند منابع محاسباتی را درخواست دهند. دسترسی به شبکۀ گسترده که در آن منابع محاسباتی در سراسر شبکه به کاربران چند پلتفرمی ارائه می گردد. تجمیع منابع [12]، که به تشریح تجمیع منابع با یکدیگر در یک مکان واحد می پردازد و سبب «نامرئی» به نظر رسیدن منابع محاسباتی فیزیکی برای کاربران می گردد؛ و خدمات اندازه گیری شده، که به منظور اندازه گیری میزان استفاده از منابع، ما به ازای پرداخت مورد استفاده قرار می گیرد. ابر جَمعی (جامعۀ ابری) همچنین مدل های خدمات زیر را برای طبقه بندی سرویس ابری مورد استفاده قرار می دهد: نرم افزار به‌ عنوان سرویس (SaaS)، پلت فرم به‌عنوان سرویس (PaaS)، زیرساخت به‌عنوان سرویس (IaaS)، و ذخیره سازی داده به‌عنوان سرویس (DaaS)[13].

هوش مصنوعی و یادگیری عمیق: ملاحظات موسسات مالی برای مطابقت با بار نظارتی در بریتانیا

Artificial intelligence and deep learning: considerations for financial institutions for compliance with the regulatory burden in the United Kingdom

چکیده

1- مقدمه

2- ملاحظات عملی و هزینه ها

3- هوش مصنوعی، یادگیری ماشین، یادگیری عمیق

4- مؤسسات مالی و استفاده ی آن ها از یادگیری عمیق – پیدایش های فعلی و روندهای آتی

5- نتیجه گیری

منابع

چکیده

هدف – هوش مصنوعی (AI)، یادگیری ماشین (ML)، و یادگیری عمیق (DL) تأثیر به سزایی روی بانکداری (فناوری مالی یا فین تک)، سلامت و بهداشت (فناوری سلامت)، قانون (فناوری مقررات گذاری)، و سایر بخش هایی مثل جمع آوری کمک های مالی برای خیریه (فناوری خیریه) دارند. سرعت نوآوری مرتبط با فناوری و توانایی سیستم های هوش مصنوعی برای فکر کردن درست شبیه به انسان ها (شبیه سازی هوش انسان)، انجام وظایف و کارها به صورت مستقل، توسعه و بسط هوش براساس تجارب خود، و پردازش لایه های اطلاعاتی برای یادگیری بازنمایی های همواره پیچیده از داده ها (ML/DL) به این معناست که ارتقا و پیشرفت در نرخ هایی که در آن ها این فناوری می تواند وظایف پیچیده، فنی، و زمان بر را انجام دهد، مردم، اشیاء، صداها، الگوها و غیره را شناسایی کند، مشکلات را زودتر بررسی کند، و راه حل ها را ارائه نماید، سودهای خیره کننده ای را در شرایط اقتصادی، سیاسی، و اجتماعی فراهم نماید. هدف از انجام این مقاله بررسی دقیق اختراعات و پیدایش های جدید در هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق در بستر چالش تطبیق مقرراتی است که مؤسسات مالی در بریتانیا (UK) با آن مواجه می شوند.
طراحی/ متدولوژی/ رویکرد – موضوع از طریق آنالیز داده ها و ادبیات پژوهشی منتشر شده به صورت داخلی و بین المللی دقیقا بررسی می شود. اولین بخش این مقاله زمینه ی مسائل مقرراتی فعلی، پیدایش موارد جدید در یادگیری عمیق، چگونگی استفاده از هوش مصنوعی توسط مؤسسات مالی در حال حاضر، و اینکه چطور هوش مصنوعی می تواند از فوریه ی 2023 راه حل های تکنولوژیکی بیشتری را برای انطباق با مقررات ارائه دهد را خلاصه می کند.
یافته ها – نشان داده شده است که مؤسسات مالی بریتانیا می توانند استفاده ی بیشتری از هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق به عنوان بخشی از انبار راه حل هایی داشته باشند که بار مقرراتی را راحت کرده و به سطوح بالایی از موفقیت انطباق با مقررات دست پیدا می کنند.
اصالت/ ارزش – تا جایی که نویسنده ی این مقاله می داند، این اولین مطالعه ایست که به صورت مشخص به بررسی دقیق این مسئله پرداخته است که چطور هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق کماکان می توانند به موسسات مالی بریتانیا در برآورده کردن چالش تطبیق مقرراتی و فرصت های فراهم شده برای موسسات مالی از طریق فراجهان کمک کنند.

2- ملاحظات عملی و هزینه ها
مؤسسات مالی، در انگلستان و ولز، سازمان های قانون مند و تحت نظارت منوط به قانون خدمات مالی 2012 هستند که مسیر را برای یک سیستم قانون گذاری سه جانبه ی متشکل از ناظر امور مالی (FCA)، مرجع مقررات احتیاطی (PRA)، و کمیته ی برنامه ریزی مالی (FPC) هموار کرد. درحالیکه بحث و گفتمان در مورد عملکرد آن ها، و عملکرد نهادهای فرعی مثل شورای گزارش دهی مالی و خدمات بازرس مالی، فراتر از حوزه ی این مقاله است، بهتر است خلاصه ای از نمای کلی مالی ارائه شود تا زمینه ای به بزرگی کار تطبیق مقرراتی دردست داده شود [1]. وظیفه ی ناظر امور مالی (FCA) این است تا اطمینان دهد که بازار مالی برای کسب و کارها، اقتصاد و مصرف کنندگان قابل اطمینان، منصفانه و مؤثر و کارآمد است. این ناظر به دنبال حصول اطمینان از این است که مصرف کنندگان به یک معامله ی منصفانه دست پیدا می کنند. ناظر امور مالی (FCA) برای بیشتر از 50 هزار کسب و کار مقررات تنظیم می کند، 48 هزار سازمان را به صورت محتاطانه نظارت می کند، و استانداردهای مشخص را برای 18 هزار شرکت و بنگاه اقتصادی تعیین می نماید. مرجع مقررات احتیاطی (PRA) برای بالغ بر 1500 بانک، جامعه ی ساخت و ساز، واحدهای اعتبار، بیمه گران، و شرکت های بزرگ سرمایه گذاری تنظیم مقررات می کند، و کمیته ی برنامه ریزی مالی (FPC) با شناسایی ریسک ها و نظارت بر آن ها که ممکن است ثبات و پایداری کل سیستم مالی بریتانیا را تهدید کنند به هدایت کار بانک انگلستان درخصوص پایداری مالی می پردازد. لذا، درحالیکه مرجع مقررات احتیاطی (PRA) روی شرکت های مستقل متمرکز است، درمقابل، کمیته ی برنامه ریزی مالی (FPC) روی کل سیستم تمرکز می کند.

نهادهای نظارتی و قانون گذاران همگی قوانین و راهنمایی هایی دارند که باید از آن ها پیروی کنند، و خدمات مالی فرقی ندارند. علاوه بر قوانین و مقررات تنظیم شده توسط نهادهای نظارتی و قانون گذاران، جرائم سایبری، مبارزه با پولشویی، تأمین مالی ضد ترور، و تقلب مالی همگی مواردی هستند که مؤسسات مالی را تحت تأثیر قرار می دهند و رژیم های قانون گذاری گسترده ای وجود دارند که باید با دقت رعایت شوند. آنچه در ادامه آمده خلاصه ایست که به مفهوم سازی اندازه ی وظیفه/بار تطبیق مقرراتی کمک خواهد کرد.

پیش‌بینی و مقایسه سلامت روانی در طول COVID-19 در میان جمعیت هندی و مراقبه گران راجیوگا با استفاده از الگوریتم های یادگیری ماشینی

Prediction and comparison of psychological health during COVID-19 among Indian population and Rajyoga meditators using machine learning algorithms

چکیده
1 مقدمه
2 سیستم های پیش بینی مبتنی بر یادگیری ماشینی
3 روش شناسی
4 نتایج
5 نتیجه گیری
منابع

چکیده
یکی از نگرانی های مهم در سرتاسر نقاط دنیا فراهم کردن مراقبت سلامت روان برای افرادی است که از اختلالات روانی رنج می برند. روان شناسی دیجیتال تاثیرات مثبتی زیادی در طول همه گیری ویروس کووید-19 به دنبال داشته است. برای مثال، روان شناسی دیجیتال میتواند افت سلامت روانی افراد و بروز مشکلات شدید مرتبط با بهداشت روانی را در مراحل اولیه پیش بینی و شناسایی کند. در نتیجه، در این مطالعه به دنبال شناسایی کردن افرادی هستیم که احتمال بروز مشکلات روانی در بین آن ها در طول دوران همه گیری بالاتر است. در راستای دست یابی به این هدف، در مطالعه خود برداشت های افراد مراقبه کننده راجا یوگا در مورد تاثیرات روانی دوران همه گیری و همچنین سطوح اضطراب، استرس و افسردگی آن ها را با دیگر افراد جامعه، مقایسه خواهیم کرد. علاوه براین، در این مطالعه با بهره گرفتن از الگوریتم های یادگیری ماشینی و داده نظرسنجی های آنلاین اجرا شده در بین افراد مراقبه کننده راجا یوگا و جمعیت عمومی تلاش میکنیم که اختلال های سلامت روان از جمله استرس، اضطراب و افسردگی را پیش بینی کنیم. در این مطالعه ما از الگوریتم های درخت تصمیم، جنگل تصادفی، بیز ساده، بردار پشتیبانی و همچنین الگوریتم k-نزدیک ترین همسایه برای پیش بینی کردن استفاده کردیم، زیرا این الگوریتم ها دقت بالاتری در پیش بینی اختلالات روانی به نمایش گذاشته اند. در بین این الگوریتم ها مشاهده کردیم که الگوریتم بردار پشتیبانی بالاترین دقت را برای داده ما تولید می کند. علاوه براین، الگوریتم بردار پشتیبانی بالاترین نمره F1 را نیز تولید کرده است. 

2- سیستم های پیش بینی مبتنی بر یادگیری ماشینی
در این بخش در مورد نحوه کاربرد تکنیک های یادگیری ماشینی هوش مصنوعی در سیستم های بهداشت، بحث خواهیم کرد. این سیستم های پیش بینی برای تشخیص بیماری و ارزیابی بهداشت روان خلق شده اند.

1-2 پیش بینی بیماری
ژونگ و شیائو با بهره برداری از الگوریتم های یادگیری عمیق و گره همجوشی اصلاح شده توانستند یک سیستم ایده آل برای بهبود پیش بینی سلامت روان خلق کنند [15]. گره همجوشی در واقع الگویی برای ترکیب کردن اطلاعات در راستای خلق سیستم های پیش بینی بیماری و سلامت روان است. در صورتی که ما از یادگیری عمیق در کنار گره های همجوشی استفاده کنیم، می توان پیش بینی های دقیق بر مبنای حجم بزرگی از داده های سلامت تولید کرد. دقت مدل همجوشی پیشنهاد شده در تشخیص بیماری های مختلف تقریبا برابر با 73.21 درصد خواهد بود.

آمبیگا و همکارانش سیستم هوشمند پیش بینی سلامت را خلق کردند که عیب های سیستم قبلی را بر طرف می کند [16]. این سیستم یک معاینه پایه بر روی بیمار انجام می دهد و سپس بیماری های احتمالی در افراد را حدس می زند. این سیستم هوشمند در ابتدا سوالاتی در مورد علائم بیمار می پرسد. در صورتی که این سیستم بتواند بیماری فرد را صحیح تشخیص دهد، در ادامه یکی از دکترهای در دسترس در نزدیکی محل سکونت بیمار را پیشنهاد خواهد کرد. در صورتی که سیستم توانایی تشخیص مشکل فرد را نداشته باشد، مجموعه ای از سوالات را از بیمار می پرسد و سپس انجام آزمایش را پیشنهاد خواهد کرد. این سیستم در نهایت نتیجه تشخیص خود را بر مبنای مجموعه ای از داده های جمع آوری شده در گذشته ، ارائه خواهد کرد. سیستم هوشمند پیش بینی سلامت بر مبنای پایگاه داده اسناد پزشکی چندین بیمار عمل می کند. آقای داهیواد و همکارانش تکنیکی برای برای پیش بینی کردن بیماری ها بر اساس علائم افراد ارائه کردند [17]. آن ها به منظور تشخیص دقیق بیماری از الگوریتم های یادگیری ماشینی شبکه عصبی پیچشی و k-نزدیک ترین همسایه، استفاده کردند. باید اشاره کنیم که در این سیستم پیش بینی بیماری، عادات زندگی افراد و اطلاعات معاینات پزشکی آن ها در نظر گرفته میشود. در مجموع، الگوریتم شبکه عصبی پیچشی (CNN) دقت 84.5 درصد را در تشخیص بیماری های عمومی به نمایش می گذارد. این الگوریتم دقت بالاتری نسبت به تکنیک K-نزدیک ترین همسایه (KNN) دارد. علاوه براین، الگوریتم KNN نیاز زمانی و حافظه ای بیشتری نسبت به الگوریتم CNN دارد.

سیستم تشخیص استرس برای کاربران شبکه های اجتماعی

Stress detection system for social media users

چکیده

1 مقدمه

2 تحقیقات مرتبط

3 موضوعات و روش ها

4 نتیجه و بحث

5 نتیجه گیری

منابع

چکیده

تشخیص استرس یک موضوع در حال رشد در زمینه پردازش زبان طبیعی است. به منظور پیش بینی سلامت ذهنی برای بهره بردن از توسعه سیستم های توصیه و ارزیابی های خودکار سلامت ذهنی در تحقیقات قبلی، مطالعه تشخیص استرس اثبات شده است. علاوه بر این، کاربرد گسترده رسانه اجتماعی بعنوان یک منبع داده احتمالی برای توسعه چنین مدل هایی بکار گرفته شده است. تحقیق ما تلاش کرده است تا تشخیص دهد که آیا کاربران رسانه های اجتماعی تحت استرس بودند یا خیر. ما از یک مجموعه داده از Dreaddit شامل پست های یک پلتفرم رسانه اجتماعی محبوب Reddit استفاده کردیم. ما یک مدل یادگیری ماشینی شامل ماشین بردار پشتیبان (SVM)، ناوی بیز، درخت تصمیم، جنگل تصادفی، Bag of Words، و فراوانی اصطلاح- فراوانی سند معکوس (TF-IDF) برای تشخیص استرس را پیشنهاد می کنیم. ارزیابی نهایی مدل امتیاز 80.00% F-1 و درستی 75.00% را نتیجه داد، و هر دو توسط SVM امتیاز داده شدند.

2 تحقیقات مرتبط
چندین تحقیق تلاش کردند تا از طریق یادگیری ماشینی و با روش های مختلف استرس را تشخیص دهند. یک تحقیق از موسسه ملی فناوری سوراتکل در هند با استفاده از مجموعه داده WESAD بین افراد دارای استرس و افراد بدون استرس براساس داده های موجود تمایز قائل می شود. نتایج این تحقیق از KNN (شبکه K-نزدیکترین)، DT (درخت تصمیم)، AB (AdaBoost)، و SVM استفاده کرد که به درستی 81.65% تا 93.20% دست یافت [8]. تحقیق دیگری که از مجموعه داده WESA استفاده می کند، از موسسه ملی فناوری در هند است که هدف آن تشخیص استرس در یک فرد است. روش های استفاده شده، KNN (شبکه K-نزدیکریتن)، LDA (تحلیل تشخیص خطی)، RF (جنگل تصادفی)، AB، و SVM هستند که به ترتیب امتیاز F1 محاسبه شده 83.34% و 65.73% را ایجاد می کنند [9].

تحقیق دیگری در موسسه فناوری اطلاعات جیپی در هند انجام شد که از یک مجموعه داده شامل 206 دانش آموز بعنوان یک نمونه آزمایشی استفاده می کند. این تحقیق با استفاده از LR (رگرسیون لجستیکی)، ناوی بیز، جنگل تصادفی، و SVM و با استفاده مشخص از روشی با نام اعتبارسنجی 10 برابری متقابل (شیوه ای که در آن روش برازش های ده برابری انجام می شود و از 90% داده های مجموعه داده بعنوان آموزش استفاده می کند) با استفاده از SVM امتیاز 85.71% را بدست آورد.

تحقیقی در دانشگاه تسینگوآ در بئیجینگ چین برای یافتن بهترین روش تشخیص استرس، ازمایش انجام شده توسط ده نفر را با استفاده از وئیبو و توییتر نشان داد. روش های استفاده شده در این تحقیق، LRC با امتیاز 83.00%، SVM با امتیاز 80.82%، RF با امتیاز 84.18%، و FGM (منیفولدهای تولید شده با فلیملت) با بیشترین رتبه 93.40% هستند. بیشترین درستی در این گزارش SVM واضح ده برابری است که منجر به درستی 85.71% می شود [10].

یادگیری ماشین و آموزش پیش پزشکی

Machine learning and pre-medical education

چکیده
1. مقدمه
2. اهمیت آموزش یادگیری ماشین
3. مسیر پری مدیکال پنجره ای مناسب را برای آموزش یادگیری ماشینی فراهم می کند
4. توصیه های درسی
5. نتیجه گیری
منابع

چکیده
     فن آوریهای مبتنی بر یادگیری ماشین و هوش مصنوعی (AI) به طور قابل توجهی به رویه های مختلف مدیریت پزشکی و مراقبت کمک می کنند. این احتمال وجود دارد که نسل بعدی متخصصان مراقبت های بهداشتی با مجموعه ای از نوآوری های تحت پشتیبانی هوش مصنوعی مواجه شوند و ممکن است در طی مدت تصدی حرفه ای خود وقت کافی برای یادگیری در مورد چارچوب های یادگیری ماشین که هدایت این سیستم ها را بر عهده دارند نداشته باشند. آموزش پزشکان و ارائه دهندگان مراقبت علاقمند با دوره های پایه مناسب در خصوص یادگیری ماشین به عنوان بخشی از تحصیلات دانشگاهی، احتمالاً آنها را در آینده به پزشکان و ارائه دهندگان مراقبت پیشرفته ای تبدیل خواهد کرد.

اهمیت آموزش یادگیری ماشین
     در آوریل 2018، سازمان غذا و داروی ایالات متحده (FDA)، بازاریابی اولین دستگاه سلامت دیجیتال را که از AI برای تشخیص دیابت چشمی (DR) در بزرگسالان استفاده می‌کرد، تایید کرد (2). نرم افزار هدایت شده توسط یک الگوریتم AI ، می تواند تصاویر دیجیتالی شبکیه چشم بیمار را پردازش کند و احتمال DR خفیف یا شدیدتر را مشخص کند. FDA داده های حاصل از مطالعه تصاویر شبکیه را که از 900 بیمار مبتلا به دیابت در 10 مرکز مراقبت های اولیه به دست آمده بود، ارزیابی کرد. در این مطالعه، الگوریتم AI در 87.4 % از مواقع DR فراتر از خفیف را به درستی شناسایی کرد و توانست به درستی بیمارانی را که در 89.5 % مواقع DR فراتر از خفیف نداشتند شناسایی کند. این نرم‌افزار را می‌توان در یک محیط مراقبت اولیه نصب کرد تا پزشکان بتوانند غربالگری اپورتونیستی DR را در طول معاینات عادی بیمار انجام دهند. از زمان این تایید، چندین دستگاه و الگوریتم پزشکی مبتنی بر هوش مصنوعی دیگر نیز مورد تایید قانونی قرار گرفته اند (3) و بسیاری از آنها در دست اقدام هستند تا مورد بررسی قرار گیرند و به طور بالقوه تأییدیه FDA را دریافت کنند. بدیهی است که “کاربران نهایی” بیشتر این دستگاه ها پزشکان یا سایر ارائه دهندگان مراقبت هستند. سوالی که مطرح می شود این است که آیا باید انتظار داشت که پزشکان همچنان کاربران نهایی ساده ای باشند یا اینکه آیا باید در مورد الگوریتم های یادگیری ماشینی که می تواند به طور بالقوه ای تصمیم گیری تشخیصی در عمل بالینی را تسهیل کند، آموزش ببینند. اگر ارائه دهندگان مراقبت لزوماً با علوم محاسباتی و داده ها آشنا نباشند، در این صورت احتمال زیادی وجود دارد که این فن اوری ها ارزش خود را از دست بدهند.

     پزشکان و سایر ارائه دهندگان مراقبت نیز نقش مهمی در محافظت از بیماران و سایر ذینفعان خود در برابر مشکلات و کاربرد نامناسب فن اوری های یادگیری ماشین دارند. مهم است که ارزش واقعی یادگیری ماشین را از تبلیغات مبالغه آمیز فیلتر کنید، زیرا ارائه دهندگان مراقبت باید از اشتباهات یادگیری ماشینی، استفاده غیراخلاقی و ناخواسته و همچنین گزینه های پرهزینه تر آگاه باشند تا بتوانند بیماران را مدیریت کنند. به عنوان مثال، یک مطالعه اخیر نشان داد که سیستم های هوش مصنوعی برای تشخیص کووید-19 با استفاده از رادیوگرافی قفسه سینه می توانند از میانبرهای جعلی حتی در صورت آزمایش روی مجموعه داده های خارجی اطلاع پیدا کنند، بنابراین لازم است از پروتکل‌های اعتبارسنجی قوی‌تر و تکنیک‌های قابل تفسیری برای ارزیابی سیستم‌های هوش مصنوعی پزشکی استفاده شود (4). از سوی دیگر، این مطالعات، مشکلات رایج مربوط به توسعه مدل‌های هوش مصنوعی پزشکی (5)، و مسائل بالقوه اجباری بودن توضیح مدل به عنوان یک نیاز برای استقرار بالینی (6) را نشان داده اند. در مورد موضوعات مختلف دیگر، از جمله اهمیت و اعتبار مدل، اخلاق و اعتماد (7)، حریم خصوصی و امنیت (8) و همچنین هزینه و کارایی بحثهای مختلفی انجام شده است (9). شواهد بدست آمده از همه این مطالعات، باید جامعه بالینی را ترغیب کند تا به درک خوبی در یادگیری ماشین دست یابد (10) و بدین ترتیب آنها را قادر سازد تا با استفاده روزافزون از این فن اوری ها در مراقبت های بهداشتی به راحتی برسند.

استفاده از تاثیر حرکت در تجارت ارزهای دیجیتال مبتنی بر یادگیری ماشین

Leveraging the momentum effect in machine learning-based cryptocurrency trading

چکیده

1- مقدمه

2- کارها و تحقیقات مرتبط

3- رویکرد ذهنی و اکتشافی

4- روش پیشنهادی

5- آزمایش ها

6- نتیجه گیری و کارهای آتی

منابع

چکیده

     تجارت ارز دیجیتال (رمزارز) در میان سرمایه گذاران بخش خصوصی بیش از پیش به محبوبیت رسیده است. مطابق با مطالعات اخیر، تأثیر مومنتوم بازار پایه را تحت تأثیر قرار می دهد. سیستم های معاملات کمی می توانند برای باز و بسته کردن موقعیت های معاملاتی شاخص های مومنتوم را اهرم قرار داده و نهایت استفاده را از آن ها ببرند. با این حال، رویکردهای موجود که تأثیر مومنتوم (تأثیر نیروی حرکت قیمت) در معاملات ارز دیجیتال (رمزارز) را بکار می گیرند به یادگیری ماشین اتکا نمی کنند. از آنجایی که این سیستم ها بر اساس قواعد و مقررات ایجاد شده توسط انسان ها می باشند متناسب با شرایط بسیار ناپایدار و شناور، که در بازارهای ارز دیجیتال کاملا معمول و رایج هستند، نمی باشند. این مقاله استفاده از رویکردهای یادگیری ماشین و اعمال نفوذ آن برای تشخیص اتوماتیک اثر مومنتوم در داده های بازار ارز دیجیتال را پیشنهاد می کند. برای هر ارز دیجیتال احتمال اینکه با اثر مومنتوم روی روز بعدی معامله گری و همچنین جهت مومنتوم تحت تأثیر قرار بگیرد را برآورد می کند. یک جلسه شبیه سازی و آزمون بازخورد، که روی سه ارز دیجیتال بسیار متداول و پرطرفدار انجام شده، نشان می دهد که مدل های یادگیری ماشین توانایی پیش بینی، تقریب خوب، نوسان کوتاه مدت قیمت و به موجب آن کاهش تعداد سیگنال های کاذب معامله و افزایش بازده سود سرمایه را در مقایسه با پیشرفته ترین رویکردها دارند.

کارها و تحقیقات مرتبط

رویکردهای مبتنی بر یادگیری ماشین برای معامله ی ارز دیجیتال

هرچند استفاده از یادگیری ماشین برای پیش بینی بازار سهام مقرر شده است (بوستوس و پومارس-کویمبایا، 2020؛ هوانگ و همکاران، 2019؛ اوبای اوغلو و همکاران، 2020؛ راندو و دی استالو، 2019)، برای تطبیق سیستم های معامله ی ارز با بازار ارز دیجیتال تلاش های کمی صورت گرفته است. به طور مشخص، آتاناسیو و همکاران (2019) کاربرد تکنیک های سنتی طبقه بندی مثل ماشین های بردار پشتیبان و درخت های تصمیم گیری را برای پیش بینی قیمت روز بعد ارز دیجیتال مورد ارزیابی قرار داده اند، درحالیکه در پژوهش های لاهمیری و بکیروس (2021)، لیویریس و همکاران (a2020) نویسندگان استفاده از تکنیک های یادگیری ژرف را مورد بررسی دقیق قرار داده اند. جنبه ی کلیدی کشف و بررسی انواع مختلف ورودی داده هایی مثل شاخص های مالی کلان و اطلاعات بلاک چین می باشد. علاوه براین، داده های شبکه های اجتماعی نیز برای پیش بینی قیمت های ارزهای دیجیتال مثل داده های توییتر (کرایجولد و دی اسمت، 2020) یا گیت هاب (GitHub) و داده های ردیت (گلنسکی و همکاران، 2019) بکار گرفته شده اند. حوزه ی فعالیت دیگری استفاده از روش های ترکیبی را بررسی می کند، ضمن اینکه به بررسی دقیق استفاده از رویکردهای سطحی استاندارد، مثل جنگل های تصادفی و ماشین افزایش گرادیان تصادفی (دربنتسف و همکاران، 2021)، و استفاده از مدل های یادگیری عمیق به عنوان یادگیران مؤلفه و اجزاء تشکیل دهنده (لیویریس و همکاران، b2020) می پردازند. سان و همکاران (2020) داده های روزانه ی قیمت مربوط به 42 ارز دیجیتال با شاخص های کلیدی اقتصادی بدست آمده از بازارهای سهام و بدون پشتوانه (Fiat market) را ترکیب می کنند تا الگوریتم درخت تصمیم گیری افزایش گرادیان را آموزش دهند. با این حال، تمامی ویژگی های فوق معمولا با درجه ی بالایی از اختلال و جنجال مشخص می شوند لذا فرآیند استنباط را پیچیده کرده و به راحتی قابل توضیح نیست. در راستای غلبه بر این مسئله، ژانگ و همکاران (2021) استفاده از یک واحد حافظه هوشیار و دقیق را پیشنهاد می کنند که واحد بازگشتی (تکرارشونده) درگاهی را با یک مؤلفه ی خودنگرش ترکیب می کند تا برای هر توالی ورودی حافظه ی هوشیار و دقیق ایجاد کند. نتایج تأیید می کنند که توالی خام و اولیه در حال حاضر اکثر اطلاعات مربوطه را ادغام می کند درحالیکه اطلاعات موقعیتی و زمینه ای به شدت برای ایجاد مدل های پیش بینی کننده ی دقیق قابل استفاده است. به جای پرداختن به پیش بینی کوتاه مدت قیمت مثل اثر لاهمیری و بکیروس (2021)، لیویریس و همکاران (a2020)، ژانگ و همکاران (2021)، این مقاله یک استراتژی جدید مبتنی بر یادگیری ماشین را با هدف پیش بینی اثر واکنش افراطی پیشنهاد می کند. از این رو، این استراتژی ویژگی های بازار پایه که با شواهد تجربی اخیر نمایان شده اند را دربر می گیرد (کاپورال و پلاستون، 2020) تا نهایت استفاده را از قدرت پیش بینی مدل های یادگیری ماشین برای قیمت های مبتنی بر تاریخ ببرد. ما معتقدیم که این اولین تلاش برای استفاده از یادگیری ماشین برای انجام معامله ی ارز دیجیتال براساس مومونتوم است.

کاربردهای اثر مومنتوم در حوزه ی مالی

     بازار ارز دیجیتال یک مورد به خصوص جدید و نسبتا ناشناخته از بازار به شدت آسیب پذیر نسبت به واکنش های افراطی با توجه به نوسان بالای آن در مقایسه با بازارهای سنتی مثل بازار ارز خارجی (فارکس)، بازارهای کالا و سهام و غیره می باشد. مطالعات اخیر (بارتوس، 2015؛ اورکوهارت، 2016) راندمان و کارایی آن، ویژگی های حافظه ی بلند و پایداری و دوام قیمت (باریویرا، 2017)، وجود حباب های قیمت (کوربت و همکاران، 2018)، رقابت پذیری (کاندال و هالابوردا، 2014)، مسئله ی پیش بینی پذیری قیمت (پلاستون و همکاران، 2021)، و وجود ناهنجاری های آن (کوریهارا و فوکوشیما، 2017) را تجزیه و تحلیل کرده اند

استحکام شبکه های عصبی کانولوشن در تشخیص ضایعات پوستی رنگدانه ای پوست

Robustness of convolutional neural networks in recognition of pigmented skin lesions

چکیده
1 مقدمه
2 مواد و روش ها
1-2 طرح تحقیق و مطالعه
2-2 مجموعه داده ها
3-2 پیشرفت و بسط طبقه بندی کننده
4-2 روش هایی برای کاهش شکنندگی و عدم انعطاف
5-2 آنالیز و تحلیل
3 نتایج
1-3 عملکرد پایه و مبنا و شکنندگی (عدم انعطاف)
2-3 اثربخشی روش های امتحان شده روی تغییرات مصنوعی
3-3 اثربخشی روش های تست و امتحان شده روی تغییرات طبیعی
4 بحث و گفتگو
1-4 کاربردها و مفاهیم عملی
2-4 محدودیت ها
5 نتیجه گیری
منابع

چکیده
پیش زمینه: نیاز پایه و اساسی برای سیستم های آنالیز تصویر مبتنی بر هوش مصنوعی (AI)، که می بایست در طب بالینی ادغام شوند، از استواری و قابلیت اطمینان بالایی برخوردار است. تغییرات جزئی و اندک در نحوه ی بدست آوردن آن تصاویر، برای مثال، در طول غربالگری روتین سرطان پوست، نباید تشخیص چنین سیستم های کمکی (سیستم های کمک یار پزشک) را تغییر دهد.
هدف: هدف کمی سازی و سنجش این است که درهم ریختگی ها و تغییرات جزئی تصویر تا چه میزان طبقه بندی ضایعه ی پوستی به واسطه ی شبکه ی عصبی پیچشی (کانولوشن) (CNN) را تحت تأثیر قرار می دهند و همچنین بررسی سه راه حل ممکن و عملی برای این مشکل است (داده افزایی اضافی، افزایش زمان تست، خوشنماسازی).
روش ها: ما سه معماری رایج و متداول CNN را برای ایجاد تمایز بین تصاویر درموسکوپی ملانوما یا خال سرطانی و خال های مادرزادی تمرین کرده و به کار بردیم. متعاقبا، عملکرد و حساسیت آنها نسبت به تغییرات جزئی (شکنندگی و عدم انعطاف) بر روی دو مجموعه ی امتحانی متمایز با تصاویر متعدد برای هر ضایعه تست و امتحان شد. برای مجموعه ی نخست، تغییرات تصاویر، مثل چرخش یا بزرگنمایی (زوم)، به صورت مصنوعی ایجاد شدند. مجموعه ی دوم تغییرات طبیعی را دربرمیگرفت که از چندین عکس گرفته شده از همان ضایعات ناشی می شدند.
نتایج: تمامی معماری ها شکنندگی و عدم انعطاف در مجموعه امتحانی مصنوعی و طبیعی را نشان دادند. سه روش بررسی شده قادر به کاهش شکنندگی و عدم انعطاف تا درجات مختلف بودند درحالیکه همچنان عملکرد را حفظ می کردند. ارتقا و بهبود دیده شده برای مجموعه امتحانی مصنوعی بیشتر از طبیعی بود، جایی که پیشرفت ها جزئی و اندک بودند.
نتیجه گیری: تغییرات جزئی تصاویر، نسبتا نامشخص برای انسان ها، می توانند روی استواری و قابلیت اطمینان شبکه های عصبی پیچشی (CNNs) متمایز کننده ی ضایعات پوستی تأثیرگذار باشند. این تأثیر را می توان از طریق روش هایی که در اینجا تست و امتحان شده اند کاهش داد، اما نمی توان آن را کاملا حذف و برطرف کرد. لذا، تحقیقات بیشتر به منظور حفظ و تقویت عملکرد طبقه بندی کننده های (جداکننده های) هوش مصنوعی (AI) در جهت تسهیل انتقال چنین سیستم هایی به کلینیک و درمانگاه مورد نیاز می باشد.

5- نتیجه گیری

تغییرات جزئی و اندک تصویر، که برای انسان ها تاحدودی نامعلوم و نامشخص هستند، می توانند روی سطح اطمینان و تشخیص شبکه های عصبی پیچشی متمایزکننده ی ضایعات پوستی تأثیر بگذارند. این تأثیر با استفاده از روش هایی که در اینجا تست و امتحان شدند کاهش یافت اما کاملا برطرف نشد. بنابراین، ما می خواهیم به متخصصان و دست اندرکاران یادگیری عمیق و پزشکان حوزه ی درماتولوژی بلکه پزشکان به طور کلی یادآوری کنیم که شکنندگی و عدم انعطاف می بایست صراحتا در رأس کار قرار گرفته و به عنوان هدف مد نظر قرار بگیرد و به منظر تسهیل انتقال از آزمایشگاه به کلینیک باید بر آن غلبه کرد.

Abstract

Background A basic requirement for artificial intelligence (AI)–based image analysis systems, which are to be integrated into clinical practice, is a high robustness. Minor changes in how those images are acquired, for example, during routine skin cancer screening, should not change the diagnosis of such assistance systems.

Objective To quantify to what extent minor image perturbations affect the convolutional neural network (CNN)–mediated skin lesion classification and to evaluate three possible solutions for this problem (additional data augmentation, test-time augmentation, anti-aliasing).

Methods We trained three commonly used CNN architectures to differentiate between dermoscopic melanoma and nevus images. Subsequently, their performance and susceptibility to minor changes (‘brittleness’) was tested on two distinct test sets with multiple images per lesion. For the first set, image changes, such as rotations or zooms, were generated artificially. The second set contained natural changes that stemmed from multiple photographs taken of the same lesions.

Results All architectures exhibited brittleness on the artificial and natural test set. The three reviewed methods were able to decrease brittleness to varying degrees while still maintaining performance. The observed improvement was greater for the artificial than for the natural test set, where enhancements were minor.

Conclusions Minor image changes, relatively inconspicuous for humans, can have an effect on the robustness of CNNs differentiating skin lesions. By the methods tested here, this effect can be reduced, but not fully eliminated. Thus, further research to sustain the performance of AI classifiers is needed to facilitate the translation of such systems into the clinic.

5. Conclusions

Minor image changes, relatively inconspicuous for humans, can have an effect on the confidence and diagnosis of CNNs differentiating skin lesions. Using the methods tested here, this effect was reduced but not fully eliminated. Therefore, we would like to remind deep learning practitioners and physicians in dermatology but also in medicine in general, that brittleness needs to be explicitly targeted and overcome to facilitate translation from bench-to-bedside.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استحکام شبکه های عصبی کانولوشن در تشخیص ضایعات پوستی رنگدانه ای پوست

Robustness of convolutional neural networks in recognition of pigmented skin lesions