فهرست مطالب nasibeh mahmoodi
-
باتوجه به اینکه بیشتر مسائل دنیای واقعی از قبیل تشخیص تقلب، شناسایی خطا، تشخیص ناهنجاری، تشخیص پزشکی و تشخیص بدافزار نامتوازن هستند، دسته بندی داده ها در مسائل نامتوازن به عنوان یکی از چالش های اصلی در حوزه داده کاوی، مورد توجه بسیاری از محققان و پژوهشگران قرارگرفته است. در یادگیری نامتوازن، معمولا تعداد نمونه های یکی از دسته ها خیلی بیشتر از نمونه های دسته دیگر است و یا هزینه دسته بندی اشتباه در دودسته متفاوت است. شبکه های عصبی کانولووشنال به رغم موفقیت های چشمگیری که در دسته بندی داده ها دارند، در مسائل نامتوازن با مشکل مواجه می شوند چرا که آنها به صورت پیش فرض، توزیع دسته ها را متوازن و هزینه دسته بندی را مساوی در نظر گرفته می گیرند، ازاین رو در دسته بندی نامتوازن، نمی توان به نتایج قابل قبولی دست یافت؛ زیرا شبکه به سمت نمونه های آموزشی دسته بزرگ تر متمایل می شود که این موضوع سبب افزایش تعداد خطاها در تشخیص نمونه های مثبت می شود. یکی از راهکارهای کم هزینه برای غلبه بر نامتوازنی داده ها در شبکه های عصبی کانولوشنال استفاده از تابع ضرر به نفع دسته اقلیت است، در این مقاله تابع ضرری جدیدی معرفی شده است که به صورت تدریجی و با پیشرفت آموزش، اهمیت دسته اقلیت را افزایش می دهد تا در انتهای آموزش به مقدار مشخص شده برسد و از اهمیت داده های دسته اکثریت بکاهد، این امر باعث می شود تا هم بتوانیم از قدرت آموزشی همه داده ها استفاده کنیم و هم از غلبه داده های دسته اکثریت جلوگیری کنیم. نتایج آزمایش روی سه مجموعه داده مصنوعی، تشخیص فعالیت های انسان و Cifar-10، همگرایی و کارایی روش پیشنهادی را نشان می دهند، روش پیشنهادی با روش های آدابوست مبتنی بر درخت تصمیم، شبکه کانولوشنال مبتنی بر آنتروپی متقابل و آنتروپی متقابل وزن دار، روش SMOTE و روش CNN تجمعی مقایسه شده است. به ترتیب با کسب دقت 6/94، 92/92 و 23/69 در سه مجموعه داده (Cifar-10 با نرخ نامتوازنی 5 درصد) توانست از دیگر روش ها پیشی بگیرد و دقت در مجموعه داده مصنوعی نسبت به روش سنتی آدابوست مبتنی درخت تصمیم، 72/17 بالاتر است.کلید واژگان: نامتوازنی دسته ای, یادگیری عمیق, تابع ضرر, آنتروپی متقابل}Class-imbalanced datasets are common in many real-world domains, such as health, banking, and security. Machine learning researchers have recently focused on the classification of such datasets, where the costs of different types of misclassifications are unequal, the classes have different prior probabilities, or both. The performance of most standard classifier learning algorithms is significantly affected by class imbalance, where the algorithms are often biased toward the majority class instances despite recent advances in deep learning. However, there is very little empirical work on deep learning with class imbalance.To address this issue, we propose an incremental weighted cross entropy loss function. The proposed method involves gradually increasing the weight of the minority class as the training progresses, until it reaches the specified amount at the end of the training. Through experiments, we demonstrate the convergence and efficiency of the proposed method. The results of experiments on three datasets, including artificial datasets, human activity recognition dataset, and CIFAR-10, demonstrate the convergence and performance of the proposed method. The proposed method is compared with decision tree-based AdaBoost, Cross Entropy-based convolutional neural network, weighted Cross Entropy -based CNN, SMOTE method, and ensemble CNNs method. With accuracy gains of 94.6%, 92.92%, and 69.23% on the three datasets (CIFAR-10 with 5% imbalance rate), the proposed method outperformed the other methods. Additionally, the accuracy on the artificial dataset was 17.77% higher than the traditional decision tree-based AdaBoost method.Keywords: class-imbalanced dataset, Convolutional Neural Network, loss function, cross-entropy}
-
در حقوق مدنی ایران به تبع فقه اسلامی، برای تعیین رابطه پدر و فرزندی، استناد به قاعده فراش پذیرفته شده است. بر مبنای این قاعده طفل متولد در زمان زوجیت، ملحق به شوهر است، مشروط به این که از تاریخ نزدیکی تا زمان تولد کمتر از شش ماه و بیشتر از ده ماه نگذشته باشد. اگر علی رغم تحقق شرایط فراش، زوج مدعی عدم انتساب طفل متولد شده به خود باشد و برای اثبات ادعای خود به آزمایش دی ان ای استناد و نتایج این آزمایش بر عدم لحوق طفل دلالت کند، تکلیف طفل متولد شده از حیث انتساب، مورد تردید قرار می گیرد. جهت تعیین تکلیف، نظریه سنتی عدم پذیرش آزمایش دی ان ای را با علل تشریع قاعده فراش و حفظ بنیان خانواده سازگارتر می داند. این در حالی است که ضرورت توجه به دانش بشری که دادرس را در کشف واقع یاری می رساند باعث شده است که توجه به نتایج حاصل از این نوع آزمایشها توصیه شود. در واقع اماره بودن قاعده فراش صرفا از جهت عدم علم به واقع است و با این اوصاف به سختی می توان گفت که اگر راهی علمی وجود داشته باشد که بر اساس آن بتوان با اطمینان بالا نسبت بین پدر و فرزند را معلوم کرد، همچنان باید از راهی رفت که واقعیت را تنها به طور ظنی کشف می کند.کلید واژگان: قاعده فراش, اثبات نسب, نفی نسب, تشخیص هویتژنتیکی, اماره قضایی, علم قاضی, ادله اثبات دعوا}In Iranian civil law, as a result of Islamic jurisprudence, in order to determine the relationship between father and offspring, reliance upon the rule of marital paternity presumption is accepted. Based on this rule, a child who is born during marriage is considered the husband’s offspring, provided that no less than six months and no more than ten months have passed from the date of sexual intercourse to that of birth. If, despite the existence of the above conditions, a husband should claim that the child born to the couple does not belong to him, and in order to prove his claim, he relies upon a DNA test and the results of this test indicate that the child is not attributed to him, the situation of the born child is doubted in terms of attribution. In order to clarify the issue in question, the traditional theory considers rejection of the DNA test more compatible with the reasons for legislating the aforementioned rule and preservation of the foundations of the family. This is so while the need to pay attention to human knowledge which helps the judge discern the truth has made it advisable to pay attention to the results of these types of tests. In fact, the said rule is considered as a presumption due only to lack of knowledge, and therefore, it can hardly be maintained that if there is a scientific method through which the relationship between father and child can be determined with a high degree of certainty, one should still resort to a method that discerns the reality only through conjecture.Keywords: rule of marital paternity presumption, proof of lineage, negation of lineage, genetic identification, rebuttable judicial presumption, knowledge of judge, Evidence}
-
شبکه های عصبی کانولووشنال یکی از موفق ترین و پراستفاده ترین مدل های یادگیری ماشین در دسته بندی داده ها محسوب می شود اما به رغم موفقیت های چشمگیری که در دسته بندی داده ها دارند، در یادگیری نامتوازن، که یکی از چالش برانگیزترین مشکلات در یادگیری ماشین است، به نتایج قابل قبولی دست پیدا نمی کنند چرا که در این گونه مسایل، معمولا تعداد نمونه های یکی از دسته ها خیلی بیشتر از نمونه های دسته دیگر است و یا هزینه دسته بندی اشتباه در دو دسته متفاوت است، این در حالی است که شبکه های CNN به صورت پیش فرض، توزیع دسته ها را متوازن و هزینه دسته بندی را مساوی در نظر می گیرند. یکی از روش های موفق در برخورد با مجموعه داده های نامتوازن، روش های تجمعی است. آنها با ترکیب تعدادی از تخمین گرهای پایه می توانند به دقت بالایی دست پیدا کنند و در مقایسه با زمانی که تنها از یک تخمین گر استفاده می شود، قابلیت اطمینان مدل را افزایش دهند. استفاده از یادگیری تجمعی، مدل های یادگیری ماشین را در مواجهه با داده های نامتوازن توانمند می سازند. در این پژوهش، روشی مبتنی بر یادگیری تجمعی برای شبکه های عصبی کانولووشنال معرفی شده است که از تجمع تعدادی شبکه CNN برای کار با داده های نامتوازن استفاده می کند. در این مدل از تابع ضرر کانونی برای آموزش CNN ها استفاده شده است، پارامتر گاما در این تابع میزان اهمیت نمونه های سخت و آسان را مشخص می کند در مدل تجمعی پیشنهادی از پارامتر گاما برای ایجاد تنوع در CNN ها استفاده شده است و این باعث شده است هر شبکه کانولووشنال نسبت به شبکه قبلی اهمیت کمتری به داده های آسان دهد. همچنین وزن داده ها برای آموزش هر شبکه با استفاده از نتیجه دسته بندی شبکه CNN قبلی مشخص می شود. در نهایت برای دسته بندی داده های جدید از ترکیب نتیجه همه CNN ها استفاده می شود. شبکه تجمعی یشنهادی (FENIL) برروی چندین مجموعه داده اعمال شده است، براساس نتایج بدست آمده، شبکه FENIL نه تنها درمقایسه با روش های غیر عمیق مثل آدابوست با درخت تصمیم، دقت و F1-score بسیار بالاتری (63/18، 61/ 19بالاتر) دارد، بلکه در مقایسه با روش های معمول عمیق دیگر مانند استفاده از یک CNN عمیق، رای گیری CNN ها و CNN های آبشاری و SMOTE نیز نتایج بهتری را بدست آورده است.
کلید واژگان: یادگیری نامتوازن, تابع ضرر کانونی, یادگیری تجمعی, یادگیری انتقالی}Journal of Command and Control Communications Computer Intelligence, Volume:6 Issue: 2, 2022, PP 60 -77Convolutional neural networks are considered as one of the most popular machine learning models in data classification. despite their significant success in data classification, they do not produce acceptable results when working with imbalanced data. Imbalanced learning is one of the most challenging issues in machine learning, since in these problems, samples of one or more classes are usually much more than others, or misclassification costs are not equal for all classes, while CNN networks assume the distribution of classes and the cost of misclassification to be equal. The ensemble method is a popular method to deal with imbalanced data sets, which can achieve high accuracy by combining several basic estimators, and in comparison with using only one estimator, the reliability of the model could be improved. ensemble methods empower machine learning models to deal with imbalanced data. In this research, we have introduced a method based on ensemble learning for convolutional neural networks, which uses the cascade of CNN networks to work with imbalanced data. We use the focal loss function to train CNNs, the gamma parameter in the loss function determines the importance of hard and easy samples. CNNi+1 gives less importance to easy samples than hard ones in comparison with CNNi, this is done by increasing the gamma step by step (increasing γi+1 compared to γi). In our proposed FENIL ensemble network (Incremental Focal Ensemble method for multi-class Imbalalanced Learning), weights of the training data for CNNi+1 are determined by the classification result of the previous CNN i.e. CNNi. The combination of all CNNs is used to classify the new data. We applied our proposed FENIL ensemble network to several benchmark data sets. the results showed that the FENIL network not only has much higher accuracy and F1-score (18.63, 19.61 higher) In comparison with non-deep methods such as decision tree AdaBoost but also obtained better results In comparison with other common deep methods for imbalanced learning.
Keywords: imbalanced learning, Ensemble learning, Focal loss function, Transfer learning} -
بنابر «اصل تغییر ناپذیری دعوای حقوقی» ، اگرچه طرفین بر جهات موضوعی دعوا تسلط دارند، ولی هنگامی که خواهان دادخواست خود را تنظیم کرد، باید این موضوع را درنظر داشته باشد که تمامی آنچه را که می خواهد، در دادخواست تقدیمی با رعایت همه شرایط مصرحه قانونی قید نماید و خوانده نیز صرفا در چارچوب خواسته حق دفاع دارد. پس از شروع دادرسی، ایجاد تغییرات بعدی با محدودیت هایی روبرو خواهد بود که در تمام مراحل دادرسی جریان خواهد داشت. هدف این اصل آن است که نشان دهد اگرچه طرفین حق دادخواهی و نیز حق دفاع آزادانه دارند، ولی بنابر ضرورت رعایت اصل احترام به حقوق دفاعی و نیز توجه به اصل سرعت و نظم در دادرسی، به موجب اصل تغییرناپذیری، محدود به دعوای خود هستند. این پژوهش به دنبال تبیین جایگاه این اصل در قانون آیین دادرسی مدنی ایران و قواعد آیین دادرسی مدنی فدرال امریکا، مبانی اصل و شناسایی استثنا های اجرای آن در راستای اجرای هرچه بهتر آن است.کلید واژگان: تغییر ناپذیری, تناظر, حق دفاع, سرعت}Comparative Law Review, Volume:9 Issue: 2, 2019, PP 473 -491Based on «the principle of immutability of litigation», although parties to the dispute have dominance on the thematic elements of legal claim, but also when the petition was set by the plaintiff, all of wanted things must be stipulated clearly in the offered petition by lawful condition observance, and also the defendant has defense right, under this required framework. After the trial begins, next changes have limitations which are followed in whole trial. The purpose of this principle is showing that although parties have free hearing right and defense right, but also based on the necessity of legal defense, discipline in the trial and speedy judgment consideration, they are limited on the principle of immutability of litigation. This study tries to specify position of this principle in the Iranian civil procedure and American Federal law (Federal rules of Civil procedure), basics of the principle and identify its exceptions for its better execution.Keywords: the principle of immutability of litigation, defense righ, correspondence, speedy judgment}
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.