درخت‌های عصبی با مدل‌های انتقال دانش همتابه‌همتا و خدمت‌دهنده‌به‌خدمت‌گیرنده برای طبقه‌بندی داده‌های پُربعد

نویسندگان: Shadi Abpeykar و Mehdi Ghatee

منتشرشده در: Expert Systems with Applications، جلد 137، 15 دسامبر 2019، صفحات 281–291.

چکیده:

این مقاله طبقه‌بندی داده‌های پُربعد را با یک سامانهٔ خبرهٔ جدید دنبال می‌کند. سامانهٔ پیشنهادی، چند خوشهٔ دارای هم‌پوشانی از ویژگی‌های بسیار مرتبط را با کمترین افزونگی درونی تعریف می‌کند. برای هر خوشه، یک درخت عصبی پیاده‌سازی می‌شود که در هر گره از یک ماشین یادگیری افراطی (ELM) به‌همراه یک موتور استنتاج بهره می‌گیرد. قواعد طبقه‌بندی استخراج‌شده از ELM در پایگاه قواعد موتور استنتاج ذخیره می‌شوند تا رده‌ها را تشخیص دهند. برای یکپارچه‌سازی نتایج درخت‌های عصبی مختلف، رأی‌گیری اکثریت به کار می‌رود. این ساختار «جنگل ماشین‌های یادگیری افراطی با انتقال پایگاه قواعد» (FELM-RT) نامیده می‌شود. نوآوری FELM-RT، کاهش محاسبات تکراری با استفاده از دو مدل تعاملی جدید میان درخت‌های عصبی است. در مدل تعاملی اول، یعنی مدل همتابه‌همتا (P2P)، هر گره می‌تواند پایگاه قواعد خود را با دیگر گره‌های درخت‌های عصبی مختلف به اشتراک بگذارد. در مدل دوم که خدمت‌دهنده‌به‌خدمت‌گیرنده (S2C) نامیده می‌شود، درخت عصبیِ فعال بر خوشه‌ای با بهترین وضعیت ارتباط و افزونگی، قواعد را با دیگر درخت‌های عصبی به اشتراک می‌گذارد. در هر دو مدل، یک روش تجمیع فازی برای تنظیم قطعیت قواعد به کار می‌رود. زمان پردازش FELM-RT به‌طور اساسی کاهش می‌یابد و دقت طبقه‌بندی را بهبود می‌دهد. مقادیر بالای معیار F و میانگین هندسی (G-mean) نشان می‌دهند که FELM-RT مجموعه‌داده‌های پُربعد را بدون بیش‌برازش طبقه‌بندی می‌کند. مقایسهٔ FELM-RT با برخی طبقه‌بندهای پیشرفته نشان می‌دهد که FELM-RT، به‌ویژه در مجموعه‌داده‌های دارای بیش از 3 میلیون ویژگی، بر آن‌ها برتری دارد.

نکات برجسته

• خوشه‌بندی ویژگی‌ها در چند مجموعه با ویژگی‌های بسیار مرتبط و افزونگی درونی کم.
• تعریف درخت عصبی با بهره‌گیری از یک ELM و یک موتور استنتاج در هر گره.
• انتقال قواعد استخراج‌شده از هر ELM به دیگر گره‌های درخت عصبی.
• پیشنهاد مدل‌های همتابه‌همتا (P2P) و خدمت‌دهنده–خدمت‌گیرنده (SC) برای انتقال دانش.
• طبقه‌بندی داده‌های پُربعد با دقت بالا و بدون بیش‌برازش.