هوش مصنوعی به کار گرفته شده در چشم پزشکی و بینایی سنجی: آنالیز شبکه استنادی

Artificial intelligence applied to ophthalmology and optometry: A citation network analysis

چکیده

مقدمه

روش شناسی

نتایج

شرح آثار و انتشارات

زبان و کشورها

مؤلفان و مؤسسات

نشریات (مجلات)

واژگان کلیدی

پراستنادترین نشریات

خوشه بندی

عملکرد اصلی

بحث و گفتمان

منابع

چکیده

هدف: هدف این مطالعه تحلیل شبکه های هم تألیفی و هم استنادی انتشارات در حوزه ی هوش مصنوعی در چشم پزشکی و بینایی سنجی، همچنین، شناسایی قسمت های مختلف تحقیقات و پراستنادترین اثر می باشد.
روش: جستجوی انتشارات و آثار در وب سایت پایگاه داده های علوم برای بازه ی زمانی 1997 تا دسامبر 2021 با استفاده از عبارت هوش مصنوعی و (چشم پزشکی یا بینایی سنجی) انجام شد. آنالیز و تحلیل اثر و نشریه با استفاده از مرورگر شبکه استنادی، VOSviewer، و نرم افزار CiteSpace انجام شد.
نتایج: 1086 اثر و 2348 شبکه ی استنادی بدست آمدند. 2020 سالی بود با بالاترین تعداد انتشار، مجموع 351 اثر و 115 شبکه ی استنادی. پراستنادترین اثر و نشریه به یادگیری عمیق قابل اجرا به صورت بالینی برای تشخیص و ارجاع در بیماری شبکیه تعلق داشت که توسط دی فاو و همکاران در سال 2018، با شاخص استناد 723 منتشر شده بود. از طریق تابع خوشه بندی، سه گروه مشخص شدند که حوزه های پژوهشی اصلی در این زمینه را پوشش می دهند: آسیب شناسی شبکه، بخش قدامی، و گلوکوم (آب سیاه).
نتیجه گیری: تحلیل شبکه ی استنادی یک تحلیل عمقی و دقیق از آثار علمی و اتخاذ عناوین جدید و حوزه های تحقیقاتی را ارائه می کند. نتایج آنالیز جامع و کامل شبکه های استنادی در هوش مصنوعی در حوزه ی چشم پزشکی و بینایی سنجی از زمان انتشار اولین مقاله در سال 1977 ارائه شده اند.

روش شناسی
     در راستای تمرکز بر جستجوی مقالات با موضوع هوش مصنوعی در حوزه ی چشم پزشکی و بینایی سنجی، و به منظور اجتناب از تکرار آثار در جستجوهای مختلف، Boolean operators NOT و OR مورد استفاده قرار گرفتند. بدین ترتیب، جستجوی عبارات و اصطلاحات استفاده شده در اولین جستجو از این قرار بودند: هوش مصنوعی و (چشم پزشکی یا بینایی سنجی)، در جستجوی دوم عبارت عبارتند بودند از یادگیری ماشین و (چشم پزشکی یا بینایی سنجی) نه هوش مصنوعی، و در جستجوی سوم یادگیری عمیق و ژرف و (چشم پزشکی یا بینایی سنجی) نه هوش مصنوعی نه یادگیری ماشین.

     اولین مقالات با موضوع هوش مصنوعی در حوزه ی چشم پزشکی و بینایی سنجی در سال 1977 به چاپ رسیده بودند، بنابراین فاصله ی زمانی انتخابی از سال 1977 بود تا دسامبر 2021. جستجوی آثار و انتشارات صورت گرفت و در 18اُم دسامبر 2021 دانلود شدند.

     نرم افزار مرورگر شبکه استنادی برای تحلیل آثار و نمایان کردن شبکه های استنادی استفاده شد. با استفاده از ویژگی امتیاز استناد، پراستنادترین آثار به صورت کمّی تجزیه و تحلیل شدند. ارتباطات خارجی گنجانده شدند، یعنی از سایر پایگاه های داده ها (پایگاه داده های مجله ی کره ای KCI و مدلین)، و همچنین ارتباطات وب سایت علوم. این پایگاه داده ها اطلاعات لازم برای تحلیل متن سنجی و شبکه ی استنادی، از جمله عنوان/ چکیده، واژگان کلیدی، تعداد استنادات، و وابستگی سازمانی پدیدآور را فراهم می کنند، که احتمالا در سایر پایگاه داده ها دردسترس نیستند.

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.

یک روش بلاک چین ترکیبی در اینترنت اشیا (IOT) برای حفظ حریم خصوصی و امنیت در شبکه وسایل نقلیه هوایی بدون سرنشین

A hybrid blockchain method in internet of things for privacy and security in unmanned aerial vehicles network

چکیده

۱. مقدمه

۲. تحقیقات مرتبط

۳. مطالب و روش ها

۴. تحلیل و بحث تطبیقی

۵. چالش های تحقیقاتی آینده

نتیجه گیری

منابع

چکیده

     وسایل نقلیه هوایی بدون سرنشین (UAV)  در کاربردهای مختلف مانند مراقبت های بهداشتی، پزشکی، کنترل ترافیک، نظامی و صنعت پتانسیل زیادی دارند. UAV ها در ارتباط با اینترنت اشیا (IOT) مستقر می شوند تا گیرنده ها یا کاربران نهایی را در پایان ارائه خدمات اینترنت اشیا تسهیل کنند که منجر به حوزه تحقیقاتی جدیدی میشود. هدف این تحقیق تحلیل و دسته بندی تحقیقات پیشین در مورد چارچوب‌های اینترنت اشیای (IOT) UAV ها و شناسایی راه حل های چالش های مربوط به امنیت کلی مانند حریم خصوصی چارچوب‌ها است. در این مقاله، راه حل بهینه برای چالش های مختلف امنیتی و قابلیت اطمینان در کاربردهای اینترنت اشیا مبتنی بر UAV با استفاده از ترکیب چندین روش که بر اساس فناوری های بلاک چین ترکیب می شوند، ارائه شده است. این نتایج بر روی پارامترهای مختلف مانند برنامه کمکی سیستم کلی، دقت، تاخیر و زمان پردازش به دست می آیند و مقایسه می شوند. نتایج روش شناسی پیشنهادی این بهبود را مشخص می‌کند و جهت های تحقیقاتی جدیدی برای آینده ارائه می دهد.

فناوری های استفاده شده در اینترنت اشیا
     بخش اصلی فناوری های مربوط به اینترنت اشیا، شناسایی فرکانس رادیویی (RFID)، بارکد، وای فای، شبکه های بیسیم، پروتکل اینترنت (IP)، zigbee، کد محصول الکترونیکی (EPG)، بلوتوث، محرک ها، ارتباطات میدان نزدیک (NFC)، شبکه های حسگر بی سیم (WSN)، هوش مصنوعی (AI)، رایانش ابری و غیره هستند. RFID مبنای اینترنت اشیا است و نقش بسیار مهمی در هنگام ترکیب با UAV ها ایفا می کند. چنین فناوری هایی، اطلاعات اشیای دارای برچسب را از اینترنت مشابه با RFID خاص کشف می کنند و اشیا (اشیای فیزیکی) را به دنیای سایبری از طریق فناوری های مختلف برچسب‌گذاری مانند RFID، بارکد و NFC، متصل می کنند. بارکد یک فناوری است که اعداد و حروف الفبا را با استفاده از میله ها و فضاها کد گذاری می کند. وای فای با سیگنال های بیسیم با دستگاه ها ارتباط برقرار می کند، در حالیکه بلوتوث فناوری ارتباطی بیسیم با برد کوتاه است. ZigBee یک پروتکل است که ویژگی های شبکه های حسگر بی سیم را ارتقا می دهد. ارتباطات میدان نزدیک (NFC) یک فناوری بیسیم با برد کوتاه است که امکان مقدارهی شهودی از شبکه های بی سیم را فراهم می کند. بکاراندازنده (محرک)، یک مولفه سیستم مکانیکی است که حرکات را هدایت می کند. شبکه های حسگر بی سیم دستگاه هایی هستند که از یک پیوند بی سیم برای ارتباط داده های جمع آوری شده استفاده میکنند. هوش مصنوعی یک فناوری نرم افزاری است که هوش انسان را توسط ماشین ها به ویژه کامپیوتر ها شبیه سازی میکند. رایانش ابری یک سیستم ذخیره سازی با دسترسی از راه دور است. UAVها قادر به خواندن این بارکدها هستند و RFID قادر به ارتباط با دستگاههای حسگرانه با ایجاد شبکه های حسگر بی سیم هستند. اما چنین پیوند های ارتباطی تهدیدات مرتبط با حملات سایبری مانند پارازیت، ربودن و مسمومیت گره ها را نیز به همراه دارند.

     در عصر حاضر، امنیت یکی از مهمترین مباحث اقتصادی و اجتماعی است که نه تنها بر افراد تاثیر می گذارد بلکه همچنین بر نهادها و موسسات دولتی و کسب و کارها نیز تاثیر می گذارد. موضوع این است که چگونه دستگاه های اینترنت اشیای UAVها نسبت به حملات سایبری محافظت می شوند، به همین دلیل امنیت به عنوان بهترین گزینه مطرح می شود. امنیت، محافظت از سیستم شبکه در مقابل خرابی نرم افزاری یا سخت افزاری است.

     محبوبیت دستگاه های اینترنت اشیا به سرعت در حال افزایش است و اینترنت اشیا به بخش جدایی ناپذیر از زندگی روزانه افراد تبدیل شده اند. گجت های اینترنت اشیا در آینده بسیار گسترده خواهند بود و افراد قادر نیستند که زندگی بدون آنها را تصور کنند. تعداد زیادی از دستگاه های اینترنت اشیا به اینترنت متصل می شوند و میزان زیادی از داده ها منتقل می شوند و آنها را در معرض تهدیدات امنیتی قرار می دهند. در نتیجه، یادگیری حفاظت بر اساس اقدام متقابل در مقابل جرایم یک نیاز ضروری است. در نتیجه، امنیت به عنوان یک مسئله مهم تلقی می‌شود که ممکن است از طریق تلاش های هماهنگ در تمام سطوح بررسی شود. پیشرفت های فناورانه انقلابی تحویل دهنده های اینترنت اشیا، زندگی روزانه افراد را برای آنها آسان تر و راحت تر می سازد. معیارهای امنیت سنتی در حفاظت از زیرساخت اینترنت اشیا بی اثر خواهد بود. در حال حاضر، یک پروتکل سازگار برای دفاع از اینترنت اشیا و معیارهای امنیتی پیشرفته سفت و سخت مورد نیاز است.

اجازه دهید شما را به مدیر مبتنی بر هوش مصنوعی خود منتقل کنم: تاثیر تخصیص عناوین شغلی در سطح مدیر به عوامل مبتنی بر هوش مصنوعی (AI) بر نتایج بازاریابی

Let me transfer you to our AI-based manager: Impact of manager-level job titles assigned to AI-based agents on marketing outcomes

چکیده
1. مقدمه
2. پیشینه نظری و تدوین فرضیه ها
3. مروری بر مطالعات تجربی
4. مطالعه 1
5. مطالعه 2
6. مطالعه 3
6.1. روش ها
7. بحث کلی
8. نتیجه گیری
ضمیمه
منابع

چکیده

     این مقاله به بررسی این موضوع می پردازد که تا چه اندازه، عناوین شغلی اختصاص داده شده به عامل های AI می تواند بر ادراک مشتری از این عامل ها و در نهایت پیامدهای بازاریابی آنها مانند رضایت مشتری، نگرش نسبت به برند و نیت خرید محصولات پیشنهادی توسط AI تاثیر بگذارد. همچنین، این مطالعه به بررسی این موضوع می پردازد که چگونه مشتریان این عامل AI را به صورت مدیری درک می کنند که با نماینده یک فرد یا AI کار می کند. در میان این آزمایش ها (استفاده از یک سناریو و یا ترکیبی از یک سناریو و ربات پاسخگو واقعی AI)، مطالعه نشان می دهد که مشتریان، مدیر AI را از نظر محبوبیت، دانش مداری و قابل اعتماد بودن، مثبت تر از نماینده AI و مدیر انسانی می دانند. مشتریان از مدیر AI، زمانی که از نماینده AI به مدیرAI انتقال داده می شوند، نسبت به زمانی که از یک نماینده انسانی انتقال داده می شوند، تصور مثبت تری دارند. علاوه بر این، اختصاص عناوین شغلی به عامل های AI پیامدهای عمیق مطلوبی بر رضایت مشتری، نگرش نسبت به برند و نیات مشتریان به خرید محصولات پیشنهاد شده طی گفتگو با مدیر AI دارد.

پیشینه نظری و تدوین فرضیه ها
محبوبیت درک شده و پیامدهای بازاریابی

     علیرغم استفاده روزافزون از عامل های هوش مصنوعی در خدمات مشتریان، مشتریان ترجیح خواهد داد تا با عوامل انسانی صحبت کنند، زیرا تصور می کنند که عوامل هوش مصنوعی، محبوبیت کمتری دارند(Userlike، 2020). این مشتریان، عامل های انسانی را بیشتر از عامل های هوش مصنوعی دوست دارند، زیرا بر این باورند که عامل های هوش مصنوعی تنها ماشین هایی هستند که پیشرفت کافی نداشته اند تا به سوالات پیشرفته پاسخ دهند یا فاقد مهارت های ارتباطی یا اجتماعی در مدیریت تقاضاهای مشتری هستند(Press، 2019). در نتیجه، عامل هوش مصنوعی که جذابیت کمتری دارد، می تواند تاثیر مخربی بر بازده سرمایه گذاری برای پیاده سازی های هوش مصنوعی در خدمات مشتریان داشته باشد، به ویژه با توجه به اهمیت مفهوم محبوبیت در رضایت مشتری، که بدین صورت تعریف می شود، به چه میزان، فرد به طور بالقوه مطلوب و خوب شناخته یا درک می شود(بامکین، مالز-کلر و میلر، 2018؛ تنی، ترکیمر و آلتامنز، 2009). با توجه به ماهیت ذهنی تماس میان فردی بین مشتریان و کارکنان خط مقدم(پالز و هارتمن، 2017)، ادراک محبوب بودن می تواند بر رضایت مشتری از تجارب خدمات مشتریان تاثیر بگذارد. به طور خاص، کارکنان محبوب، نسبت به کارکنانی که قابلیت های مشابه دارند، اما محبوب نیستند، منجر به رضایت بیشتر مشتری می شوند(جایانتی و ویپل، 2008). گرچه شواهد زیادی نشان می دهند که محبوبیت کارکنان ارتباط مثبت با رضایت دارد، تفسیر نظری برای سوال زیر وجود ندارد: چرا یک فرد محبوب، نسبت به فرد دارای محبوبیت کمتر، منجر به رضایت بیشتر مشتری می شود؟

     در پاسخ، تاثیر محبوبیت کارکنان بر رضایت مشتری را می توان با مدل قضاوت اکتشافی توضیح داد(کانامن، 2011). بر اساس مدل سوگیری شناختی، یک فرد به طور خودکار بر اساس نشانه های ذهنی یا میانبرهای ذهنی، ادراکی از فرد ایجاد می کتد تا به سرعت قضاوت کند که آن فرد کیست(چیکن و ماهسوارن، کانمان، 2011). افراد ممکن است ایجاد یا تعدیل برداشت های اولیه از دیگران را با جستجوی دقیق، توجه یا نقد و بررسی اطلاعات کمتر چشمگیر اما مهم تر اطلاعات یا نشانه های نظامند؛ به تاخیر بیاندازند(مانند کیفیت واقعی مکالمه) که برای ارزیابی فرد، تنها زمانی که به انجام آن کار برانگیخته می شوند، اهمیت دارد. در زمینه خدمات مشتریان، هنگام قضاوت درباره سطح رضایت فرد از کارکنان خدمات مشتریان، مشتریان ممکن است از محبوبیت کارکنان به عنوان یک نشانه اکتشافی استفاده کنند که بر اساس آن، آنها رضایت از تعامل با کارکنان خدمات مشتریان را ارزیابی می کنند(داگر و همکاران، 2013). یعنی، اولین اطلاعات درباره یک کارمند، حتی قبل از تماس میان فردی واقعی(مانند مکالمه) بهتر به خاطر سپرده می شود و تاثیر بیشتری بر نظرسنجی مشتری دارد که مبتنی بر امتیارات پس نگرانه است(فیسک و تیلور، 1991).

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

کاربرد فن آوری جدید پردازش سیگنال دیجیتال مبتنی بر محاسبات ابری توزیع شده در مهندسی اطلاعات الکترونیک

Application of new digital signal processing technology based on distributed cloud computing in electronic information engineering

چکیده
1 مقدمه
2 کارهای مرتبط
3 چارچوب سیستم پردازش سیگنال دیجیتال مبتنی بر محاسبات ابری توزیع شده
3.1 مبانی کاربردی محاسبات ابری توزیع شده در پردازش سیگنال دیجیتال
3.2 ساخت چارچوب سیستم پردازش سیگنال دیجیتال
3.3 فرآیند عملکرد پردازش سیگنال دیجیتال عظیم در سیستم پردازش سیگنال دیجیتال
3.4 مراحل پیاده سازی تجزیه و تحلیل موثر اطلاعات و پردازش ابری در سیگنال دیجیتال
4 طراحی تجربی و تجزیه و تحلیل نتایج سیستم پردازش سیگنال دیجیتال
4.1 فرآیند طراحی آزمایشی سیستم پردازش سیگنال دیجیتال
4.2 نتایج تجربی و تجزیه و تحلیل سیستم پردازش سیگنال دیجیتال
5 نتیجه گیری
منابع

چکیده

فن آوری سنتی پردازش سیگنال دیجیتال در مهندسی اطلاعات الکترونیکی، با مشکلات زیادی مانند داده های اضافی، استفاده کم از داده و غیره مواجه است. برای خاتمه دادن به این مسائل، این مقاله یک فن آوری پردازش سیگنال دیجیتال جدید مبتنی بر محاسبات ابری توزیع شده رادر مهندسی اطلاعات الکترونیکی پیشنهاد می‌کند. از جمع آوری داده ها، تجزیه و تحلیل داده ها، طبقه بندی داده ها، داده کاوی، ذخیره سازی موثر اطلاعات و سایر جنبه های سیگنال دیجیتال مرسوم از طریق تکیه بر روش محاسبات ابری توزیع شده و الگوریتمهای ردیابی گرادیان هوشمند برای دستیابی به پردازش کارآمد سیگنال دیجیتال، از استراتژی کنترل تناسبی مشتقی انتگرالی (PID) برای ارزیابی درجه هوشمندی هر پیوند در فن آوری پردازش سیگنال دیجیتال استفاده می شود. این روش می‌تواند مقررات تطبیقی جمع‌آوری و ذخیره‌سازی داده‌ها را در فرآیند پردازش سیگنال دیجیتال محقق سازد و تجزیه و تحلیل متنوع و تطبیق پذیری هوشمند را تحقق بخشد. با محاسبات ابری توزیع شده برای دستیابی به کنترل سریع ماژول ذخیره سازی سیستم، پایگاه داده ها می تواند بازدهی کار را بهبود بخشد، هزینه مصرف توان سیستم را در فرآیند عملیات داده کاهش دهد و بازدهی پردازش سیگنال دیجیتال را بهبود بخشد. نتایج تجربی نشان می دهد که سیستم پردازش سیگنال دیجیتال مبتنی بر محاسبات ابری توزیع شده و الگوریتم های ردیابی گرادیان هوشمند دارای مزایای راندمان محاسباتی بالا، دقت بالا و پایداری خوبی است.

1 مقدمه

در حال حاضر، بسیاری از شرکتهای مرتبط با مهندسی اطلاعات الکترونیکی از مشکلات راندمان پایین در فرآیند جمع‌آوری و ذخیره‌سازی داده‌های سیگنال دیجیتال تولید شده بطور روزانه، برخوردارند. دلیل اصلی این است که استفاده از روش های محاسباتی و استراتژیهای محاسباتی اساسی برای پیشرفت های بزرگ دشوار است (1). با توسعه فن آوری هوشمند، فن آوری پردازش سیگنال دیجیتال و فن آوری محاسبات ابری توزیع شده نیز به سرعت توسعه یافته و ساخته شده اند، و در پردازش داده های عظیم سیگنال دیجیتال مزایای محاسبات ابری توزیع شده آشکارتر شده است. آنها فرصت هایی را نیز برای بهبود جمع آوری داده های بزرگ و فن اوری ذخیره سازی فراهم می کنند. بهره وری و استخراج موثر داده ها به شاخص های مهمی برای قضاوت در مورد سطح پیشرفته سیستم های تجزیه و تحلیل داده های بزرگ تبدیل شده اند (2). بنابراین، چگونگی ایجاد یک سیستم کارآمد و هوشمند پردازش سیگنال دیجیتال از طریق فن آوری محاسبات ابری توزیع شده، به یک پیشرفت مهم در آینده تبدیل شده است (3).

5 نتیجه گیری

روش‌های متداول پردازش سیگنال دیجیتال، از مشکلاتی در رابطه با اثر جمع‌آوری ضعیف و سرعت پایین ذخیره‌سازی برخوردارند. این مقاله برای پایان دادن به این مشکلات، یک سیستم پردازش سیگنال دیجیتال جدید را بر اساس محاسبات ابری توزیع شده و الگوریتم‌های ردیابی گرادیان هوشمند پیشنهاد می‌کند. این مقاله چهار پارامتر مشخصه مربوط به کارایی پردازش سیگنال دیجیتال و تجزیه و تحلیل موثر داده ها را انتخاب کرده و یک سیستم پردازش سیگنال دیجیتال با راندمان بالا و هوشمندی بالا را طراحی کرده است. این سیستم می تواند مدیریت یکپارچه منابع عظیم داده ها را تحقق بخشد، و تجزیه و تحلیل تفاوت های محلی بین داده های پویا را با توجه به حل اهداف و قوانین غربالگری، در فرآیند محاسبات ابری توزیع شده به انجام برساند. سپس از الگوریتم های ردیابی گرادیان هوشمند برای تنظیم هوشمند برای تحقق تنظیم بازخورد و کنترل هوشمند سیستم پردازش سیگنال دیجیتال استفاده کرده است. در پایان، نتایج تجربی نشان می دهد که سیستم پردازش سیگنال دیجیتال مبتنی بر محاسبات ابری توزیع شده و الگوریتمهای ردیابی گرادیان هوشمند از مزایایی مانند سرعت جمع آوری بالا، سرعت در ذخیره سازی و پاسخ سریع برخوردار است که می تواند نقش موثری در توسعه و استفاده از داده های سیگنال دیجیتال در حوزه مهندسی اطلاعات الکترونیک داشته باشد. با این حال، این مطالعه فقط سرعت تجزیه و تحلیل و بازدهی پردازش را در نظر گرفته و بهینه سازی امنیت در فرآیند پردازش داده ها را در نظر نگرفته است، بنابراین می توان آن را بعدا بهینه سازی کرد.

Abstract

The traditional digital signal processing technology in electronic information engineering has many issues, such as redundant data, low data utilization and so on. To end these issues, this paper proposed a new digital signal processing technology based on distributed cloud computing in electronic information engineering. From the data collection, data analysis, data classification, data mining, effective information storage and other aspects of conventional digital signal, through relying on distributed cloud computing method and intelligent gradient tracking algorithms to achieve efficient processing of digital signal, Proportional Integral Derivative (PID) control strategy is used to evaluate the intelligence degree of each link in the digital signal processing technology. This method can realize the adaptive regulation of data collection and storage in the process of digital signal processing, and realize diversified analysis and intelligent matching. Through the distributed cloud computing to achieve the rapid control of the system storage module, so that the database can improve the work efficiency, reduce the power consumption cost of the system in the process of data operation, and improve the efficiency of digital signal processing. The experimental results show that the digital signal processing system based on distributed cloud computing and intelligent gradient tracking algorithms has the advantages of high computing efficiency, high accuracy and good stability. 1. Introduction

At present, most of the electronic information engineering related enterprises have problems of low efficiency in the process of collecting and storing digital signal data generated daily. The main reason is that the underlying calculation methods and calculation strategies are difficult to achieve major breakthroughs [1]. With the development of intelligent technology, digital signal processing technology and distributed cloud computing technology have also been rapidly developed and constructed, and in the processing of massive digital signal data, the advantages of distributed cloud computing have become more obvious. They also provide opportunities to improve the big data collection and storage technology. Efficiency and effective data extraction have become important indicators for judging the advanced level of big data analysis systems [2]. Therefore, how to establish an efficient and intelligent digital signal processing system through distributed cloud computing technology has become an important development in the future [3].

5 Conclusion

The common digital signal processing methods have the issues of poor collection effect and slow storage speed. To end these issues, this paper proposed a new digital signal processing system based on distributed cloud computing and intelligent gradient tracking algorithms. This paper selects four characteristic parameters related to the efficiency of digital signal processing and effective data analysis, and designs a digital signal processing system with high efficiency and high intelligence. The system can realize the unified management of massive data sources, and realize the analysis of local differences between dynamic data according to the solving objectives and screening rules in the process of distributed cloud computing, Then intelligent gradient tracking algorithms is used for intelligent regulation to realize feedback regulation and intelligent control of digital signal processing system. Finally, the experimental results show that the digital signal processing system based on distributed cloud computing and intelligent gradient tracking algorithms has the advantages of high collection speed, fast storage speed and fast response, which can play an effective role in the development and utilization of digital signal data in the field of electronic information engineering. However, this study only considers the analysis speed and processing efficiency, and does not consider the security optimization in the process of data processing, so it can be further optimized.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربرد فن آوری جدید پردازش سیگنال دیجیتال مبتنی بر محاسبات ابری توزیع شده در مهندسی اطلاعات الکترونیک

Application of new digital signal processing technology based on distributed cloud computing in electronic information engineering

امنیت در شبکه حسگر بیسیم: نگاه فعلی

Security in Wireless Sensor Network: A Current Look

چکیده

1 مقدمه

2 معماری شبکه حسگر بی سیم (WSN)

3 مسائل امنیتی شبکه حسگر بی سیم (WSN)

4 طبقه بندی لایه ای حملات به شبکه حسگر بی سیم (WSN)

5 الگوریتمهای رمزنگاری سبک وزن

6 مسائل پژوهشی

7 نتیجه گیری

منابع

چکیده

     شبکه حسگر بی سیم (WSN) برای خودکار سازی و بهبود قابلیتهای جمع ‌آوری اطلاعات در پروژه ‌های شاخصی از قبیل پایش پزشکی، صنایع، تحقیقات و آزمایشات علمی، کارخانه ها، حمل و نقل و غیره استفاده می‌ شود. بازی واقعیت افزوده (AR )، واقعیت مجازی (VR)، دستگاه های پوشیدنی، شهرهای هوشمند، و کشاورزی هوشمند، برخی از برنامه های جدیدتر آن هستند. دولتها نیز در برنامه های نظامی خود، از شبکه حسگر بی سیم (WSN) برای جمع آوری داده ها و اطلاعات استفاده می کنند. گره های WSN در سطح گسترده ای استفاده می شوند، و از آنجاییکه ارزان، پودمانی، قابل برنامه ریزی، قابل پیکره بندی و اد هاک هستند، می توانند در یک محیط باز با اتصال بی سیم و غیره نیز استفاده شوند. این ویژگیها سبب شده که WSN به آسانی مورد حمله مهاجمان قرار بگیرد. داده های جمع آوری شده توسط WSN برای افراد یا سازمانها، داده های خصوصی یا حساسی هستند. از این رو، امنیت مسئله مهمی در تحقیقات WSN در نظر گرفته می شود. در این مقاله، یک مرور اجمالی بر امنیت WSN را ارائه می دهیم. ابتدا WSN و معماری آن را معرفی می کنیم. سپس، در مورد طبقه ‌بندی لایه ‌ای حملات امنیتی و تکنیکهای کاهشی محتمل به بحث می پردازیم تا بتوانیم حملات و شدت آنها را درک کنیم. برای حفظ امنیت WSN، الگوریتمهای رمزنگاری سبک وزن را از نظر شایستگی، عملکرد، نیاز به باتری و موارد دیگر مورد تحلیل و بررسی قرار می دهیم.

معماری شبکه حسگر بی سیم (WSN)
     پشته های شبکه به صورت لایه ‌هایی تقسیم می‌ شوند تا پیچیدگیها و مسئولیتها در لایه ‌های مختلف را از هم تفکیک کنند، و همچنین اشکال ‌زدایی و نگهداری آسان ‌تر از پشته ها را میسر سازند. مدل OSI و TCP/IP از بارز ترین پشته های شبکه هستند. پشته شبکه WSN نیز همانند مدل OSI که در شکل 1 نشان داده شده به صورت معماری پنج لایه ای تقسیم می شود.

• لایه فیزیکی در WSN همانند مدل OSI است و پایین ترین لایه در پشته شبکه است. این لایه، لینکی را برای ارتباط بین موتها و دریافت/ ارسال داده ها بصورت دو دویی ایجاد می کند. علاوه براین، وظایفی همچون جستجوی گستره مناسب فرکانس برای انتقال داده ها، تولید فرکانس حامل برای ارسال داده ها، منحرف کردن سیگنالها، مدولاسیون سیگنالها، رمزنگاری داده ها و دریافت سیگنال داده ها را بر عهده دارد.
• لایه لینک داده ها وظایف مختلفی را بر عهده دارد که عبارتند از: مالتی پلکس سازی سیگنال داده ها، تشخیص تصادم، تشخیص چارچوب داده ها، کنترل خطا، کنترل دسترسی به یک محیط انتقال (MAC) و ارائه ارتباطات مطمئن نقطه به نقطه و یک نقطه به چند نقطه.
• لایه شبکه وظایفی مانند تخصیص آدرس شبکه را بر عهده دارد، که مبتنی بر داده یا مکان هستند نه یک شماره I.D منحصربفرد، به این دلیل که اندازه شبکه WSN می تواند بسیار بزرگ باشد، ارتباط بین شبکه ای با شبکه های خارجی دارد و ارسال بسته های داده را مدیریت و کنترل می کند.
• لایه حمل ملزم به ارائه اطلاعات برای نقل و انتقال مطمئن بسته های داده است. مسیریابی بسته های داده توسط لایه شبکه از طریق اطلاعات عبوری از لایه حمل انجام می شود. اگرچه قابلیت اطمینان انتقال داده ها از مبدا به مقصد را با توجه به عدم وجود یک طرح منحصربفردآدرس دهی جهانی، مقیاس پذیری شبکه، اتلاف توان و موارد دیگر نمی توان مانند قابلیت اطمینان لایه انتقال در مدل OSI تضمین کرد. اما لایه حمل WSN می تواند یک قابلیت اطمینان متمرکز را تضمین کند.
• بالاترین لایه در پشته WSN ، لایه کاربرد است. این لایه، چگونگی ساختار بندی و قالب بندی داده ها را قبل از ارسال به گره های دیگر در شبکه کنترل می کند و قالب و ساختار داده هایی که از گره های دیگر دریافت می شوند را تعیین می کند. این لایه به عنوان یک واحد قابل برنامه ریزی عمل می کند که همه لایه های دیگر موجود در WSN را جدا می کند و اجرای برنامه های مختلف و تعامل کاربر با آن را میسر می سازد.

طرح کنترل دسترسی مقیاس پذیر بر اینترنت اشیا بر اساس بلاک چین ها (زنجیره بلوکی)

Scalable Access Control Scheme of Internet of Things Based on Blockchain

چکیده

1- مقدمه

2- تحقیقات مرتبط

3- مدل قابل تعمیم سیستم کنترل دسترسی

4- شبیه سازی آزمایش

5-نتیجه گیری

منابع

چکیده
     با توسعه تکنولوژی اینترنت اشیا (IoT) محیطی گسترده، ناهمگن و دینامیک در میان IoTهای مختلف به وجود آمده است. برای حل مشکل مقیاس پذیری مدیریت دسترسی دستگاه های محدود در اینترنت اشیا، یک مدل سیستم کنترل دسترسی اینترنت بر مبنای تکنولوژی بلاک چین پیشنهاد شده است.این مدل یک قرارداد هوشمند فردی را به کار می‌گیرد که پروسه کلی در شبکه بلاک چین را ساده می کند و ارتباط میان گره ها را کاهش می دهد. بنابر نتایج به دست آمده از شبیه سازی و ارزیابی می توان ثابت کرد که راه حل بدست آمده دارای مقیاس پذیری خوبی است.

تحقیقات مرتبط
     برخی تحقیقات ابتدایی در بلاک چین بر پایه کنترل دسترسی صورت گرفته است. با استفاده حداکثری از مزایای غیر متمرکز، اثبات ویژگی‌های قرارداد هوشمند و قابل ردیابی بودن، بلاک چین به عنوان یک نهاد قابل اطمینان برای ساخت یک مدل کنترل دسترسی است. [2-14] در ابتدا محققان امکان طراحی یک چارچوب جدید برای بلاک چین را بررسی کردند. برای مثال [2-6] مطالعات ، مدل های کنترل دسترسی با طراحی مجدد را پیشنهاد کردند. سپس محققان دسترسی جزئی تری را به جای محدود کردن دسترسی به چهارچوب ارائه کردند. ژانگ [7] و سایرین یک مدل کنترل دسترسی استاتیک را پیشنهاد کردند. دینگ [8] و همکارانش یک روش بر پایه متد کنترل دسترسی برای IoT را پیشنهاد دادند و رامچاندران [9] و همکارانش یک متد مدیریتی از منابع داده های علمی را پیشنهاد کردند.علی [10] و همکارانش یک مدل کنترل دسترسی را تحت اینترنت اشیا پیشنهاد کرده و درخواست هایی را برای یک هیئت مرجع جستجو بیان کرد. علاوه بر آن محققان مشکلات کلیدی در محیط اینترنت اشیا راه حل کرده‌اند. دوری [11] و همکارانش روشی را برای کاهش مشکلات وجود بلاک چین و محاسبه و نگهداری آن ارائه کردند. لین [12] و همکارانش مشکل دسترسی جزئی تری را حل کردند. مدل پیشنهاد شده توسط آلفاند [13] و همکارانش دارای انعطاف پذیری است. مدل پیشنهاد شده توسطma [14] و همکارانش می‌تواند در دامنه وسیعی محاسبه شود. با اینکه بسیاری از مطالعات بر روی ترکیب بلاک چین و کنترل دسترسی صورت گرفته است اما بسیاری از این مدل های کنترل دسترسی به طور کلی مقیاس پذیر نیستند. بنابراین این مقاله یک مدل سیستمی کنترل دسترسی مقیاس پذیر اینترنت اشیا بر پایه یک بلاک چین را پیشنهاد می کند.

     هدف اصلی این مقاله به شرح زیر است: یک سیستم کنترل دسترسی توزیع شده اینترنت اشیا بر پایه تکنولوژی بلاک چین برای حل مشکل مقیاس پذیری مدیریت دسترسی دستگاه های اینترنت اشیاء پیشنهاد شده است. این راه حل گره ای جدید از مرکز مدیریت برای نیازهای کنترل دسترسی به اطلاعات بلاک چین به نمایندگی از اینترنت را تعریف می کند. این مسئله شامل یک قرارداد هوشمند است که تمامی عملیات مجاز در سیستم کنترل شده دسترسی را تعریف کرده و از سیستم حذف نمی شود.این طرح در یک سناریو واقعی اینترنت اشیا ارزیابی شده است و نتایج نشان می‌دهد که تکنولوژی بلاک چین می‌تواند به عنوان یک تکنولوژی مدیریت دسترسی در یک مقیاس خاص از اینترنت اشیا مورد استفاده قرار گیرد.

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

تحلیل منبع داده حسابداری مدیریت کامپیوتری بر اساس انبار داده و رایانش لبه موبایل

Data Source Analysis of Computerized Management Accounting Based on Data Warehouse and Mobile Edge Computing

1 مقدمه

2 تحقیقات مرتبط

3 روش شناسی

4 تحلیل نتایج و بحث

5 نتیجه گیری ها

منابع

     کار حسابداری زمانی که کامپیوتری باشد، کارایی بیشتری دارد و میزان خطا در آن کمتر است. این مکانیسم تشویقی باید قبل از توسعه شیوه حسابداری مدیریتی در مشاغل بهبود یابد. عواطف کارکنان در شرکت ها یک عامل تعیین کننده گسترش شیوه حسابداری مدیریت در مشاغل است. مقاومت کارکنان نسبت به شیوه های حسابداری مدیریتی می تواند از طریق مکانیسم‌های تشویقی به صورت موثری مورد توجه قرار گیرد. در نتیجه، آنها به منظور تشویق رشد حسابداری مدیریت در کسب و کار ابتدا باید یک مکانیسم تشویقی حسابداری مدیریتی کامل ایجاد کنند. پیاده سازی یک سیستم اطلاعات حسابداری مدیریتی توسط این دسته بندی های جدید دشوارتر می شود. ساختار یک سیستم اطلاعات حسابداری مدیریت بر اساس BI و رایانش لبه موبایل در این تحقیق به صورت سیستماتیک مورد بحث قرار می گیرد. BI این مزیت را دارد که می تواند به روش های مختلفی مدل سازی کند، حجم زیادی از داده ها را به صورت کارآمد پردازش کند، و داده‌های عملی را به سرعت در اختیار مدیران قرار دهد. برای درک تحلیل کمی هزینه درآمد، نهاده – ستانده، این سیستم از فناوری های پیشرفته مانند مدل سازی انبار داده ها، جمع آوری داده، نمایش داده ها و طراحی امنیتی استفاده می کند. حسابداری مدیریتی بهترین انتخاب برای نوآوری حالت مدیریت سازمانی و یک سرویس حسابداری برای مدیریت داخلی کسب و کار است. کلان داده در حسابداری مدیریتی به عنوان یک دارایی شرکتی عمل می کند و حجم زیادی از اطلاعات را فراهم می کند. برای درک چگونگی استخراج و استفاده از اطلاعات، کلان داده برای ایجاد مبنایی برای حسابداری مدیریت ضروری است. این تحقیق نحوه جمع آوری داده ها، تهیه داده ها، ایجاد مدل، استخراج داده ها و تجزیه و تحلیل داده ها را با استفاده از کلان داده ها و الگوریتم رایانش لبه در شبکه موبایل توضیح می‌دهد، و شاخص‌های کلیدی موثر بر تحلیل ریسک حسابداری مدیریتی شرکت را از طریق تحلیل تجربی شناسایی میکند. مکانیسم انتشار و عوامل موثر بر شیوه های حسابداری مدیریت در شرکت ها و بین خوشه های سازمانی می توانند به ارتقای توسعه شیوه حسابداری مدیریتی کمک کنند و سرعت ایجاد سیستم حسابداری مدیریتی محلی چین را افزایش دهند.

تحقیقات مرتبط
     اولین ادبیات [15]، الگوریتم استخراج قانون انجمنی مبتنی بر ویژگی را پیشنهاد کرد. تحقیق بعدی [16]، چهار فناوری اصلی را برای پشتیبانی از داده کاوی بر اساس این تحقیق مطرح می کند. ادبیات [۱۷] با فرایند تاریخی توسعه اقتصادی چین و فضای توسعه حسابداری مدیریتی چین بر اساس عملکرد اجتماعی رشته حسابداری مدیریتی همراه است، این تحقیق پیشنهاد می کند که حسابداری مدیریتی چین با بهترین دوره‌های فرصت استراتژیک مواجه است. با توجه به وضعیت اساسی شرایط ملی چین، سیستم کاربردی و چارچوب نظری حسابداری مدیریت بر اساس پیشینه سیستم سازمانی چین ارائه شده است [۱۸]. ادبیات [19] برای مطالعه رابطه بین تقاضای شرکت و سیستم های اطلاعاتی بر اساس تئوری احتمالی پیشنهاد شده است. ادبیات [20] برای مطالعه رابطه شرکت کنندگان با روابط مربوطه در پیاده‌سازی سیستم بر اساس نظریه سرمایه اجتماعی و نظریه شبکه کنشگر با توجه ویژه به سهامداران و کسب و کارها در طیف وسیع تر پیشنهاد شد.

     ادبیات [21] ارزش اجتماعی و انتخاب استراتژیک جامعه انسانی در عصر اطلاعات دیجیتالی و کلان داده را که به صورت گسترده ای در زمینه های مختلف استفاده شد، مورد بحث قرار می دهد.‌ ادبیات [22] چهارچوب طبقه بندی روش های نمونه گیری را در فرایند داده‌کاوی پیشنهاد کرد و مزایا و معایب روشهای نمونه گیری داده کاوی را در سناریوهای مختلف مقایسه و تحلیل کرد. ادبیات [23] به این موضوع اشاره کرد که حتی در کشورهای توسعه یافته برخی از عملکرد های سیستم های اطلاعاتی ERP سازمانی به صورت کامل با نرم افزارهای دیگر ادغام نمی‌شوند و عملکردهای برخی از سیستم ها به طور کامل وارد عمل نشده اند. ادبیات [24] به این موضوع اشاره کرد که فقدان دستورالعمل های نظریه موثر دلیل اصلی این موضوع است که چرا استفاده از روشهای حسابداری مدیریتی در شرکتهای چینی نسبتاً عقب‌مانده است. ادبیات [25] این موضوع را تحلیل می‌کند که بسیاری از از مسائل مهم موجود در دوره تحول حسابداری مدیریت در چین را مورد تجزیه و تحلیل قرار می دهد و پیشنهادات استراتژیک مربوطه را ارائه می دهد. ادبیات [26] یک الگوریتم داده جدید را برای کاوش موثر و تحلیل داده های نیمه ساخت یافته پیشنهاد می کند که بر این مشکل غلبه می‌کنند که فناوری داده‌کاوی سنتی نمی تواند به صورت موثری داده های نیمه ساخت یافته را استخراج کند.