نشریه علوم رایانشی
سال نهم شماره 2 (پیاپی 33، تابستان 1403)

بیماری های مزمن از دلایل اصلی مرگ و میر در سال های اخیر بوده اند. پژوهش های تجربی بسیاری برای تشخیص بیماری مزمن در کشورهای مختلف گزارش شده اند. در مطالعات انجام شده، روش های یادگیری ماشین، نقش به سزایی در تشخیص بیماری های مزمن داشته اند. از جمله این روش ها، می توان به ماشین بردار پشتیبان استاندارد و دوقلو اشاره کرد. داده های بیماری های مزمن دارای نوفه ذاتی و نمونه های پرت می باشند. این مهم باعث افت شدید دقت مدل های ماشین بردار پشتیبان استاندارد و دوقلو می گردد. در مدل جدید، برای برطرف کردن کاستی بیان شده و رفع حساسیت نسبت به داده های نوفه ای1، به جای دسته بندی ماشین بردار پشتیبان دوقلو، ماشین بردار پشتیبان دوقلو با قیود نرم پیشنهاد شده است. این مدل فضای شدنی مسئله بهینه سازی درجه دوم را گسترش می دهد. با گسترش فضای شدنی مسئله، به نمونه ها اجازه تخطی از ابرصفحات داده می شود و تاثیر داده های نوفه ای و دور افتاده در تشخیص نهایی کاهش می یابد. الگوریتم پیشنهادی، بر روی پنج مجموعه داده از داده های بالینی پزشکی، اجرا و نتایج آن با روش های ماشین بردار پشتیبان، درخت تصمیم، رگرسیون لجستیک و نزدیکترین همسایه مقایسه شده اند. میانگین دقت روش پیشنهادی نسبت به بهترین میانگین در روش های پیشین، حاکی از بهبود حدود 7 % در نتایج تجربی می باشد. Noise

روش های خوشه بندی طیفی، به دلیل قابلیتی که در تشخیص خوشه های با شکل های مختلف دارند، بسیار مورد توجه قرار گرفته اند. کارایی این روش ها وابستگی شدیدی به نحوه تعریف شباهت بین نمونه ها دارد. بنابراین، تلاش ها برای بهبود کارایی این الگوریتم ها بر روی ارایه معیار شباهت مناسب تر متمرکز بوده است. در این مقاله، به هر نمونه شاخصی تحت عنوان شاخص محبوبیت نسبت می دهیم که بیانگر میزان مرکزیت آن نمونه در مجموعه داده است. همچنین، معیار شباهت جدیدی مبتنی بر محبوبیت نمونه ها پیشنهاد و بر پایه آن الگوریتم خوشه بندی طیفی مبتنی بر محبوبیت را پیشنهاد می دهیم. از آنجا که شاخص محبوبیت پیشنهادی مستقل از چگالی محلی خوشه هاست، الگوریتم پیشنهادی می تواند در خوشه بندی داده های با چگالی های متفاوت موفق عمل کند. معیار پیشنهادی ویژگی سودمند دیگری نیز دارد؛ شباهت نمونه ها در معیار پیشنهادی با توجه به محبوبیت آنها و جایگاه یک نمونه در لیست همسایگان نمونه دیگر محاسبه می شود. این ویژگی به جداسازی خوشه های با همپوشانی بالا کمک بسیاری می کند. به دلیل سادگی تعریف پیشنهادی برای شاخص محبوبیت، الگوریتم محاسبه ماتریس شباهت پیشنهادی پیچیدگی محاسباتی بسیار پایینی دارد. برای مطالعه و مقایسه کارایی الگوریتم خوشه بندی پیشنهادی با همتاهای آن، از منظر معیار انطباق NMI، آزمایش هایی بر روی شش مجموعه داده مصنوعی و پانزده مجموعه داده واقعی انجام داده ایم. نتایج نشان می دهد که الگوریتم خوشه بندی پیشنهادی و معیار شباهت مطرح در آن کارایی بهتری نسبت به روش های همتای آن از جمله معیار شباهت مبتنی بر میانگین محلی، معیار خود- تنظیم و معیار شباهت محلی مبتنی بر همسایه های مشترک دارد و در اغلب موارد بهترین عملکرد را به دست می آورد.

با توسعه شبکه های اجتماعی، چالش های بیشتری در تحلیل آنها ایجاد شده است که نیازمند روش های دقیق تر و سریع تر هستند. یکی از آن چالش ها، یافتن افراد تاثیرگذار در شبکه های اجتماعی است که کاربردهای متنوعی مانند بازاریابی، انتشار اطلاعات و پیشگیری از بیماری ها دارد. بیشتر روش های پیشین این چالش را به عنوان یک مسئله تک هدفه دنبال می کردند؛ به حداکثر رساندن میزان انتشار در شبکه. در این راستا، تعداد مشخصی از افراد به عنوان افراد تاثیرگذار (یا اعضای بذر) انتخاب می شوند و میزان انتشار منجر از انتخاب آنها در شبکه ارزیابی می شود. در حالی که اهداف دیگری مانند هزینه انتخاب هر بذر نیز اهمیت ویژه ای دارد؛ به خصوص در امور تبلیغاتی و راهبرد های مدیریتی. در این مقاله حداکثر رساندن انتشار به عنوان یک مسئله تک هدفه و همچنین کمینه کردن هزینه انتخاب بذرها با توجه به حداکثر رساندن انتشار به عنوان یک مسئله دو هدفه در نظر گرفته شده است. نوآوری مقاله، استفاده از توابع درهم ساز در جهت افزایش سرعت اجرای چالش یافتن اعضای بذر است. در این راستا، الگورتیم H-GA (ترکیب الگوریتم ژنتیک و تابع درهم ساز) برای حل مسئله تک هدفه و الگوریتم H-NSGA-II (ترکیب روش NSGA-II و تابع درهم ساز) برای حل مسئله دو هدفه پیشنهاد می شود. در الگوریتم های پیشنهادی، استفاده از توابع درهم ساز باعث می شود تا از تکرار محاسبات ارزیابی جلوگیری شود. بدین ترتیب، ضمن حفظ دقت حل مساله یافتن اعضای بذر، بهبود قابل توجهی در زمان اجرا ایجاد می شود؛ بهبود زمان اجرا به طور متوسط 8/21% در تمامی آزمایش ها.

شبکه اینترنت اشیاء اجتماعی تعاملات اجتماعی و فناوری های اینترنت اشیاء را برای ایجاد محیط های هوشمند یکپارچه می کند، در این شبکه بین کاربران روابط دوستی برقرار است و اشیاء تحت مالکیت کاربران مختلف هستند و کاربران سعی دارند با استفاده از اشیاء متعلق به کاربران دیگر از سرویس هایی که توسط اشیاء کاربران مختلف ارائه می شود بهره برداری کنند. حال وقتی اندازه شبکه اینترنت اشیاء بزرگ باشد و تعداد کاربران و اشیاء زیاد باشند نقش و اهمیت پیشنهاد سرویس مناسب شخصی سازی شده متناسب با علایق کاربر بیشتر مشخص می شود که می توان با استفاده از روابط دوستی کاربران با هم و شباهت علایق آن ها، ترجیحات کاربران را تشخیص داد و یک پیشنهاددهنده سرویس با بهره گیری از روابط دوستی برای پیشنهاد سرویس متناسب با نیازها و ترجیحات خاص کاربران ایجاد کرد. به این منظور در این مقاله، دو الگوریتم پالایشگر همخوان همدستانه [1] (A-CFA) پیشنهاد می شود که با در نظر گرفتن روابط دوستی و ترجیحات کاربران به رتبه بندی سرویس ها می پردازد و سپس به پیشنهاد سرویس های برتر متناسب با ترجیحات کاربر در محیط های اینترنت اشیاء اجتماعی می پردازد. در نهایت، با اجرای الگوریتم های پالایشگر همخوان همدستانه بر روی مجموعه داده واقعی مربوط به شهر سانتاندر، نشان داده می شود که الگوریتم های پیشنهادی باوجود پیچیدگی زمانی یکسان با الگوریتم پالایشگر همخوان پایه، مقدار میانگین مربعات ریشه خطای الگوریتم 1 و 2 را به ترتیب 9 و 15 درصد بهبود می دهد و مقدار امتیاز F1 الگوریتم 1 و 2 را به ترتیب 10 و 19 درصد بهبود می دهد.  

یکی از چالش ها در مورد شبکه های حسگر بی سیم نحوه مکان یابی حسگرهاست. تا کنون الگوریتم های مطرح شده در مسئله مکان یابی در شبکه های حسگر استفاده از فاصله اقلیدسی نقاط بدون در نظر گرفتن موقعیت هندسی نقاط بوده است . در این مقاله از ویژگی های هندسی نقاط از جمله فاصله ژئودزیکی استفاده و نشان می دهیم اگر حسگرهای لنگر بر روی یک خمینه خاص قرار داشته باشند، الگوریتم های مکان یابی عملکرد بهتری خواهند داشت . در این مقاله، دو روش پیشنهادی با استفاده از روش های یادگیری خمینه ها برای حل مسئله ارایه و الگوریتم های پیشنهادی بر روی دو دسته از داده های تصادفی و یکنواخت بر روی کره بررسی می شوند . تعداد 256 حسگر در نظر گرفته که دارای 16 حسگر لنگر و 240 حسگر دارای مکان نامشخص هستند . بررسی خطای مکان یابی حاصل از پیاده سازی نشان دهنده عملکرد مناسب روش هاست. استفاده از فاصله ژئودزیکی منجر به کاهش خطای محاسبه مکان دقیق حسگرها می شود . در نهایت روش های پیشنهادی نسبت به سایر روش ها که از فاصله ژئودزیکی استفاده نمی کنند عملکرد بهتری دارد. در حالت داده های تصادفی برای تعداد همسایگی 17 در روش 1 با استفاده از فواصل ژئودزیکی و اقلیدسی خطاهای 0/9504 و 1/8654 به دست آمده است. کمترین میزان خطا با استفاده از فاصله ژئودزیکی و اقلیدسی برای 21= k برای داده های یکنواخت به ترتیب 0/0070 و 0/7827 می باشد . در روش 2 برای داده های یکنواخت به ازای تمام مقادیر k خطای فاصله ژئودزیکی کمتر از فاصله اقلیدسی است . کمترین خطا برای داده های تصادفی با استفاده از فاصله ژئودزیکی و اقلیدسی به ترتیب 0/1098 و 0/2901 است.

در یادگیری ائتلافی خودروهای خودران، چالش اصلی عدم توازن و انصاف در دسترسی به داده های مختلف از سوی مشترکین است که می تواند منجر به کاهش دقت مدل و افزایش نوسانات در فرآیند یادگیری شود. این مسئله به ویژه زمانی که داده ها به صورت نابرابر بین مشترکین توزیع شده اند، نمایان تر می شود. برای رفع این چالش، یک الگوریتم جدید مبتنی بر تاریخچه خطا و وزن دهی نمایی پیشنهاد می دهیم. الگوریتم پیشنهادی از تاریخچه خطای n دور اخیر استفاده می کند و نرمال شده خطای هر مشترک را در گرادیان ارسالی ضرب می کند. این رویکرد باعث می شود تا از نوسانات شدید در به روزرسانی وزن ها جلوگیری شود و بهبود دقت و همگرایی سریع تر حاصل گردد. علاوه بر این، وزن دهی نمایی کمک می کند تا انصاف در فرآیند یادگیری حفظ شود، به گونه ای که مشترکین با داده های نامتوازن نیز عملکرد بهتری داشته باشند. برای ارزیابی عملکرد الگوریتم، آزمایش های گسترده ای بر روی مجموعه داده شبیه سازی شده KITTI انجام دادیم. نتایج نشان می دهد که الگوریتم پیشنهادی در مقایسه با الگوریتم های استاندارد مانند FedAvg، به 3 درصد دقت بالاتر دست می یابد. همچنین، استفاده از وزن دهی نمایی به بهبود انصاف در فرآیند یادگیری کمک می کند، به گونه ای که اختلاف واریانس دقت الگوریتم پیشنهادی با بقیه الگوریتم ها در بهترین حالت 400 می باشد.