چکیده مقاله
سیستم های طبقه بندی چندگانه به دلیل توانایی در افزایش دقت و تعمیم پذیری جایگاه ویژه ای در یادگیری ماشین پیدا کرده اند با این حال چالش اصلی در این سیستم ها طراحی مکانیزمی کارآمد برای انتخاب پویا یا ترکیب بهینه خروجی طبقه بندها است روش های سنتی مانند رای اکثریت یا تخصیص وزن ثابت اغلب در تطبیق با پیچیدگی و غیرقطعی بودن محیط های واقعی ناتوان هستند این مقاله به بررسی سیستماتیک نقش اتوماتای یادگیر به عنوان یک ابزار هوشمند و تطبیق پذیر برای حل این چالش می پردازد اتوماتای یادگیر با بهره گیری از اصول یادگیری تقویتی در محیط های تصادفی توانایی یادگیری توزیع بهینه اقدامات انتخاب یا وزن دهی طبقه بندها را از طریق تعامل با محیط و دریافت بازخورد دارد در این مرور ما با بررسی گسترده مقالات معتبر الگوهای اصلی ادغام را شناسایی و دسته بندی کرده ایم این الگوها شامل استفاده از اتوماتای یادگیر به عنوان یک انتخابگر پویا برای گزینش موثرترین طبقه بند برای هر نمونه ورودی، به کارگیری آن به عنوان یک ترکیب کننده وزنی پویا برای تخصیص خودکار سطوح اعتماد به طبقه بندها و معماری های پیشرفته تر مانند اتوماتای یادگیر سلسله مراتبی هستند یافته های این مطالعه نشان می دهد که ادغام اتوماتای یادگیر با سیستم های طبقه بندی منجر به عملکرد برتر در مقایسه با روش های ترکیب ایستا در طیف وسیعی از کاربردها مانند پردازش تصویر، تشخیص ناهنجاری و طبقه بندی متون شده است این سیستم های هیبریدی به ویژه در مواجهه با داده های پرنویز، غیرایستا و با ابعاد بالا انعطاف پذیری و مقاومت قابل توجهی از خود نشان می دهند در نهایت این مقاله چالش های جاری همچون پیچیدگی محاسباتی و تنظیم پارامترها را مورد بحث قرار داده و جهت های تحقیقاتی آینده، از جمله ادغام با یادگیری عمیق و به کارگیری در سیستم های سایبر فیزیکی را پیشنهاد می کند
کلیدواژهها
نویسندگان
علی یوسفی
عضو هیات علمی گروه مهندسی کامپیوتر و فناوری اطلاعات واحد همدان دانشگاه آزاد اسلامی، همدان، ایران
شیوه ارجاع
یوسفی، علی،1404،مروری سیستماتیک بر ادغام طبقه بندها با اتوماتای یادگیر،هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع،اسفراین
ارائهشده در
مجموعه مقالات هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع19 آبان 1404 · اسفراین