بهبود شناسایی کاربر با استفاده از Dropout مونت‌کارلوی کالیبره‌شده
بهبود شناسایی کاربر با استفاده از Dropout مونت‌کارلوی کالیبره‌شده
نوشتهٔ
Rouhollah Ahmadian, Mehdi Ghatee, Johan Wahlström,
برای انتشار در نشریهٔ «Knowledge-Based Systems» پذیرفته شده است.
چکیده:
این مقاله رویکردی بهبودیافته برای شناسایی کاربر با استفاده از داده‌های حسگرِ تلفن هوشمند و ابزارهای پوشیدنی ارائه می‌کند. روش ما شامل بخش‌بندی داده‌های ورودی و تحلیل مستقل زیرتوالی‌ها با شبکه‌های عصبی کانولوشنی (CNNs) است. هنگام آزمون، برای اندازه‌گیری عدم قطعیت پیش‌بینی از Dropout مونت‌کارلوی کالیبره‌شده استفاده می‌کنیم. با بهره‌گیری از وزن‌های حاصل از کمّی‌سازی عدم قطعیت، نتایج را از طریق میانگین‌گیری وزنی تلفیق می‌کنیم و به‌این‌ترتیب دقت کلی شناسایی را افزایش می‌دهیم. انگیزهٔ اصلی این مقاله، نیاز به کالیبره‌کردن CNN برای بهبود میانگین‌گیری وزنی است. مشاهده شده که پیش‌بینی‌های نادرست اغلب اطمینان بالایی دریافت می‌کنند، درحالی‌که به پیش‌بینی‌های درست اطمینان پایین‌تری اختصاص می‌یابد. برای رفع این مسئله، از تجمیع رگرسیون تقریباً ایزوتونیک (ENIR) به‌عنوان روشی پیشرفته برای کالیبراسیون استفاده کرده‌ایم. این کار باعث می‌شود امتیازهای اطمینان، احتمال واقعیِ درست‌بودن را دقیق‌تر بازتاب دهند. افزون بر این، آزمایش ما نشان می‌دهد که کالیبره‌کردن CNN نیاز به نمونه‌های مونت‌کارلو در کمّی‌سازی عدم قطعیت و درنتیجه هزینه‌های محاسباتی را کاهش می‌دهد. ارزیابی جامع ما و مقایسهٔ روش‌های گوناگون کالیبراسیون، بهبود دقت شناسایی کاربر را در چندین مجموعه‌داده نشان داده است. نتایج ما در مقایسه با تازه‌ترین مدل‌های موجود، بهبودهای قابل‌توجهی در عملکرد نشان دادند. به‌طور خاص، رویکرد ما از نظر دقت در DB2 به میزان 1.12% و در HAR به میزان 0.3% نتایج بهتری به دست آورد.