انتشارات

نویسندگان: SSJ Shani, R Ahmadian, A Rahmani, M Bideh, M Ghatee

• GERIS: چارچوبی مبتنی بر نظریهٔ بازی‌ها برای پالایش نویز برچسب وابسته به نمونه در افزایش داده‌های پلاک خودرو

SSJ Shani, R Ahmadian, A Rahmani, M Bideh, M Ghatee

AUT Journal of Mathematics and Computing، 2026

شناسهٔ DOI: 10.22060/ajmc.2025.23680.1288

نویسندگان: B Yousefimehr, M Ghatee, R Razavi-Far

• خودتقطیری چندمرحله‌ای برای تشخیص ناهنجاری با کلاس‌های نامتوازن

B Yousefimehr, M Ghatee, R Razavi-Far

IEEE Transactions on Emerging Topics in Computational Intelligence (جلد: 10، شماره: 4، اوت 2026)، صفحه(ها): 2866 - 2875

شناسهٔ DOI: 10.1109/TETCI.2026.3671131

نویسندگان: Behnam Yousefimehr, Mehdi Ghatee, Shervin Ghaffari, Arash Arasteh, Parsa Ahmadi, Amirhossein Ghane, Sina Esnaasharieh

• مروری نظام‌مند بر مدل‌های یادگیری عمیق در صنعت تولید فیلم در بازهٔ 2019–2025

Behnam Yousefimehr, Mehdi Ghatee, Shervin Ghaffari, Arash Arasteh, Parsa Ahmadi, Amirhossein Ghane, Sina Esnaasharieh

Entertainment Computing 56, 101076
مرجع: https://doi.org/10.1016/j.entcom.2025.101076

نویسندگان: B Yousefimehr, M Ghatee, R Razavi-Far

چارچوب تقطیر دانش چندمعلمی برای تشخیص سبک‌وزن ناهنجاری

B Yousefimehr, M Ghatee, R Razavi-Far

Neural Networks 195, (2026) 108267
مرجع: https://doi.org/10.1016/j.neunet.2025.108267

نویسندگان: B Yousefimehr, M Ghatee

• مروری نظام‌مند و مقایسه‌ای تجربی بر روش‌های ترکیبی تشخیص تقلب با داده‌های نامتوازن: ترکیب بازنمونه‌گیری و یادگیری ماشین

B Yousefimehr, M Ghatee

AUT Journal of Mathematics and Computing، (2025)
مرجع: https://doi.org/10.22060/AJMC.2025.24642.1446

نویسندگان: Amin Rahmani, Mehdi Ghatee

• استنتاج سریع در طبقه‌بندی تصاویر توموگرافی همدوسی نوری (OCT) برای تشخیص بلادرنگ بیماری‌های شبکیه

Amin Rahmani, Mehdi Ghatee, Biomedical Signal Processing and Control, جلد 103، مه 2025، 107365

مرجع: https://doi.org/10.1016/j.bspc.2024.107365

نویسندگان: B Yousefimehr, M Ghatee

• روشی برای بازنمونه‌گیری با حفظ توزیع، در ترکیب با LightGBM-LSTM، برای تشخیص تقلب مبتنی بر توالی در تراکنش‌های کارت اعتباری

B Yousefimehr, M Ghatee

Expert Systems with Applications 262, (2025) 125661
مرجع: https://doi.org/10.1016/j.eswa.2024.125661

نویسندگان: R Ahmadian, M Ghatee, J Wahlström

• بهبود شناسایی کاربر از طریق میانگین‌گیری دسته‌ایِ زیرتوالی‌های پنجره‌ای مستقل با استفاده از داده‌های تلفن هوشمند و ابزارهای پوشیدنی

R Ahmadian, M Ghatee, J Wahlström

Computers & Security، جلد 150، مارس 2025، 104265

شناسهٔ DOI: https://doi.org/10.1016/j.cose.2024.104265

نویسندگان: S Saronian, B Yousefimehr, M Ghatee, MM Bejani

• مجموعه‌ای از مدل‌های خوشه‌بندی عمیق با خودرمزگذارها برای کاوش الگوهای سفر از داده‌های کارت هوشمند

S Saronian, B Yousefimehr, M Ghatee, MM Bejani
IEEE Transactions on Intelligent Transportation Systems (جلد: 25، شماره: 12، دسامبر 2024)، صفحه(ها): 20960–20969
DOI: 10.1109/TITS.2024.3475295

نویسندگان: R Ahmadian, M Ghatee, J Wahlström, H Zare

• کمّی‌سازی عدم‌قطعیت برای بهبود شناسایی کاربر مبتنی بر همجوشی احتمالی با استفاده از تلفن‌های هوشمند

R Ahmadian, M Ghatee, J Wahlström, H Zare

IEEE Internet of Things Journal (جلد: 11، شماره: 20، 15 اکتبر 2024)، صفحه(ها): 33450–33458
DOI: 10.1109/JIOT.2024.3429011

نویسندگان: Aref Azizian, Behnam Yousefimehr, Mehdi Ghatee

بهبود تشخیص چندوجهی نشت گاز با NSMOTE: رویکردی نوین در بیش‌نمونه‌گیری

نوشتهٔ

Aref Azizian, Behnam Yousefimehr, Mehdi Ghatee

در «2024 8th International Conference on Smart Cities, Internet of Things and Applications (SCIoT)» منتشر شده است.

چکیده:

گسترش شهرنشینی و پیدایش شهرهای هوشمند، به افزایش فعالیت‌های صنعتی و نگرانی دربارهٔ ایمنی و مخاطرات زیست‌محیطی انجامیده است. تشخیص و پایش دقیق نشت گاز، به‌دلیل خطرهای مهم آن برای سلامت عمومی و محیط‌زیست، ضروری است. در این پژوهش، رویکردی نوین پیشنهاد می‌کنیم که تصویربرداری حرارتی را با داده‌های حسگر تلفیق می‌کند تا دقت تشخیص گاز در محیط‌های شهری و صنعتی افزایش یابد. روش ما با به‌کارگیری الگوریتم‌های پیشرفته و تحلیل مجموعه‌داده‌های گسترده، به دقت چشمگیر 99.32% می‌رسد و معیار تازه‌ای در تشخیص نشت گاز ارائه می‌کند. نوآوری ما در استفاده از روش ویژه‌ای برای بیش‌نمونه‌گیری به نام روش بیش‌نمونه‌گیری مصنوعی نرمالِ اقلیت (NSMOTE)، همراه با ادغام هم‌زمان تصویربرداری حرارتی و داده‌های حسگر در چارچوبی چندوجهی است. این دستاورد علاوه بر برجسته‌کردن ظرفیت تلفیق منابع متنوع داده برای پایش محیط‌زیست، گامی مهم در کاهش خطرهای ناشی از انتشار گازهای صنعتی است.

مرجع: https://ieeexplore.ieee.org/abstract/document/10570108

نویسندگان: M Moeini, R Ahmadian, M Ghatee

ماشین بردار پشتیبان کالیبره‌شده برای طبقه‌بندی احتمالاتی صداهای داخل خودرو به فرمان‌های خودرو از طریق تبدیل گفتار به متن با LLM

نوشتهٔ

M Moeini, R Ahmadian, M Ghatee

برای ارائه در «2024 8th International Conference on Smart Cities, Internet of Things and Applications (SCIoT)» پذیرفته شده است.

چکیده:

با پیشرفت سریع فناوری‌های هوش مصنوعی در زندگی انسان، به‌ویژه در صنعت خودرو، محبوبیت خودروهای هوشمند افزایش یافته است. طراحی کابین هوشمند خودرو با قابلیت تعامل روان با راننده و خودرو، راهکاری مهم برای رفع چالش‌های تعامل انسان و خودرو به شمار می‌رود. هدف این پروژه، پیاده‌سازی دستیار صوتی دیجیتالی است که فرمان‌های خودرو را تشخیص دهد. این پروژه از سه روش اصلی استفاده می‌کند: تبدیل گفتار به متن، طبقه‌بندی متن و کالیبره‌کردن طبقه‌بندی‌کننده برای تشخیص جمله‌های خارج از توزیع (OOD). با استفاده از Vosk، یک مدل LLM، صداهای محیط خودرو به قالب متن تبدیل می‌شوند. سپس پس از پیش‌پردازش متن، یک SVM آن‌ها را طبقه‌بندی می‌کند. با استفاده از مقیاس‌بندی پلت (Platt scaling)، خروجی‌های طبقه‌بندی‌کنندهٔ SVM کالیبره و احتمالاتی می‌شوند. نتایج تجربی نشان می‌دهند که مدل پیشنهادی در تشخیص فرمان به دقت کلی (Accuracy) برابر با 96.43%، دقت پیش‌بینی مثبت (Precision) برابر با 96.83%، بازخوانی (Recall) برابر با 96.43%، امتیاز F1 برابر با 96.39% و زیان آنتروپی متقاطع 0.1437 می‌رسد. افزون بر این، آستانهٔ بهینه برای جمله‌های خارج از توزیع برابر با 0.4 است.

مرجع: https://ieeexplore.ieee.org/abstract/document/10570106 

نویسندگان: M Saffarian, M Niksirat, M Ghatee, SH Nasseri

• الگوریتم ابتکاری مبتنی بر شاخه‌وقیمت برای مسئلهٔ فازی زمان‌بندی اتوبوس با چند توقفگاه

M Saffarian, M Niksirat, M Ghatee, SH Nasseri
International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 31 (2023) 859-888

مرجع: https://doi.org/10.1142/S0218488523500393

نویسندگان: MG Parsa, H Zare, M Ghatee

• یادگیری فرهنگ واژگان کم‌رتبه برای انتخاب ویژگی بدون نظارت

MG Parsa, H Zare, M Ghatee
Expert Systems with Applications 202, 117149
19 2022

نویسندگان: MM Zareian, M Mesbah, S Moradi, M Ghatee

• ترکیب الگوریتم Apriori و کنترل‌کنندهٔ فازی برای کنترل هم‌زمان ورودی آزادراه و تعیین حد سرعت متغیر در آزادراه

MM Zareian, M Mesbah, S Moradi, M Ghatee
AUT Journal of Mathematics and Computing 3 (2), 237-251
3 2022

نویسندگان: Neda Binesh, Mehdi Ghatee

• مدل بهینه‌سازی آگاه از فاصله برای شناسایی گره‌های اثرگذار در شبکه‌های اجتماعی با انتشار آبشاری مستقل،

Neda Binesh, Mehdi Ghatee,

Information Sciences، جلد 581، دسامبر 2021، صفحات 88–105.

شناسهٔ DOI: https://doi.org/10.1016/j.ins.2021.09.017

نویسندگان: Shiva Rahimipour, Mehdi Ghatee, S.M. Hashemi, Ahmad Nickabadi

• ترکیب سامانهٔ استنتاج عصبی‌فازی و مدل مارکوف پنهان برای مدل‌سازی تحرک کاربران تلفن همراه بر مبنای فعالیت،

Shiva Rahimipour, Mehdi Ghatee, S.M. Hashemi, Ahmad Nickabadi,

Computer Communications، جلد 173، 1 مه 2021، صفحات 79–94، DOI: https://doi.org/10.1016/j.comcom.2021.03.028

نویسندگان: Mohammad Mahdi Bejani, Mehdi Ghatee

• مروری نظام‌مند بر کنترل بیش‌برازش در شبکه‌های عصبی کم‌عمق و عمیق،

Mohammad Mahdi Bejani, Mehdi Ghatee,

Artificial Intelligence Review، (2021)، DOI: https://doi.org/10.1007/s10462-021-09975-1.

نویسندگان: Mohammad Mahdi Bejani, Mehdi Ghatee

• کمینهٔ توابع زیان کمکی با تطبیق رشد تأثیر (Laliga) برای شبکه‌های عصبی کانولوشنی،

Mohammad Mahdi Bejani, Mehdi Ghatee,

Neurocomputing,  (2021), DOI: https://doi.org/10.1016/j.neucom.2021.01.106

نویسندگان: Masoud Tahmasbi ,Mehdi Akbarpour ,Leila Fazeli ,Mehdi Ghatee

• معماری سامانه‌های حمل‌ونقل هوشمند کلان‌شهر شیراز با درنظرگرفتن خدمات گردشگری، انسان‌محور و داده‌کاوی،

Masoud Tahmasbi ,Mehdi Akbarpour ,Leila Fazeli ,Mehdi Ghatee

ششمین کنفرانس بین‌المللی عمران، سازه و زلزله، 2021، تهران.

سامانه‌های پشتیبان تصمیم و خبره در حمل‌ونقل هوشمند نوشتهٔ دکتر Mehdi Ghatee است و در سال 2021 به زبان فارسی توسط انتشارات دانشگاه صنعتی امیرکبیر منتشر شده است.

چکیده:

سامانه‌های حمل‌ونقل هوشمند از اجزای ضروری زندگی ما هستند و خدمات گوناگونی مانند گردآوری و پردازش داده، مدیریت ترافیک، اطلاع‌رسانی سفر، حمل‌ونقل عمومی، حمل بار و مدیریت امداد و نجات ارائه می‌کنند. این خدمات به ایمنی، امنیت، کاهش تراکم، بهره‌وری اقتصادی، صرفه‌جویی در سوخت و کارایی می‌انجامند. سامانه‌های حمل‌ونقل هوشمند برای حل مسائل حمل‌ونقل با سامانه‌های مبتنی بر فناوری اطلاعات، ارتباطات بی‌سیم، گوشی هوشمند، اینترنت اشیا و وسایل پرندهٔ بدون سرنشین تلفیق می‌شوند. این کتاب با تمرکز بر سامانه‌های پشتیبان تصمیم و سامانه‌های خبره به این حوزه پرداخته است. سامانهٔ پشتیبان تصمیم (DSS) از فرایندهای تصمیم‌گیری پشتیبانی می‌کند و سامانه‌های خبره می‌توانند به‌جای انسان برای تصمیم‌گیری به کار روند. در این کتاب ابتدا مفاهیم پایهٔ حمل‌ونقل هوشمند ارائه می‌شود. سپس اصول تصمیم‌گیری و سامانه‌های خبره بررسی می‌شوند. مسائل حمل‌ونقل به مدل‌های ساخت‌یافتهٔ عمومی، مدل‌های ساخت‌یافتهٔ پیشرفته و مدل‌های ساخت‌نیافته تقسیم می‌شوند. سپس بر پایهٔ چارچوب‌های ترسیم‌شده، چندین سامانهٔ پیشرفتهٔ حمل‌ونقل و سامانهٔ شهر هوشمند تشریح می‌شوند. دو فصل پایانی به تصمیم‌گیری و سامانه‌های خبره در خودروهای خودران و راه‌های هوشمند می‌پردازند. مطالعهٔ این کتاب به علاقه‌مندان مطالعات میان‌رشته‌ای حمل‌ونقل توصیه می‌شود.

برای دریافت فهرست مطالب این کتاب، مراجعه کنید به اینجا.

نویسندگان: Mehdi Ghatee

نویسنده: Mehdi Ghatee

منتشرشده در: Metaheuristics and Optimization in Computer and Electrical Engineering، انتشارات Springer، سوئیس، (2021).

چکیده:

سامانه‌های حمل‌ونقل هوشمند (ITS) به مجموعه‌ای از کاربردهای حمل‌ونقل مبتنی بر فناوری ارتباطات و اطلاعات گفته می‌شود. این سامانه‌ها با کمک ایده‌های نوین، خدماتی راحت، کارآمد و ایمن برای کاربران حمل‌ونقل فراهم می‌کنند. آن‌ها در پیوند میان فناوری اطلاعات، علوم رایانه، مهندسی برق، تحلیل سیستم‌ها، مهندسی عمران و بهینه‌سازی قرار دارند. این سامانه‌ها شاخه‌ای اصلی از شهرهای هوشمند را تشکیل می‌دهند و برای توسعهٔ کشورها بنیادی هستند. کاربردهای ITS معمولاً از قابلیت‌های شبکه‌های حسگر، تجهیزات الکتریکی و واحدهای پردازش رایانه‌ای برای ارائهٔ یک خدمت استفاده می‌کنند؛ بااین‌حال، به تجهیزات سخت‌افزاری محدود نمی‌شوند. در واقع، مدل‌سازی مسائل حمل‌ونقل و حل کارآمد آن‌ها چالش‌برانگیزتر است؛ به‌ویژه هنگامی که این مدل‌ها از ایده‌های مناسب برای کنترل سامانه‌های حمل‌ونقل یا راهنمایی برخی کاربران پشتیبانی می‌کنند. در این فصل، کاربرد مدل‌های بهینه‌سازی در حوزهٔ حمل‌ونقل بررسی می‌شود. برای این منظور، مدل‌هایی برای گردآوری داده به‌وسیلهٔ یک شبکهٔ حسگر لازم است. سپس برای کاوش این داده‌ها و استخراج دانش موردنیاز برای آگاهی از زمینهٔ حمل‌ونقل، می‌توان برخی مدل‌های بنیادی مانند تحلیل رگرسیون، کاوش الگوهای پرتکرار، خوشه‌بندی یا طبقه‌بندی را به کار برد. این مبانی برای توسعهٔ مدل‌های مناسب ITS در یک معماری یکپارچه استفاده می‌شوند. برای حل این مدل‌ها، روش‌های کلاسیک بهینه‌سازی شبکه و بهینه‌سازی ترکیبیاتی، روش‌های شبیه‌سازی–بهینه‌سازی و الگوریتم‌های فراابتکاری توضیح داده خواهند شد. سپس کاربردهای این مدل‌های بهینه‌سازی را در زیرسامانه‌های گوناگون معماری ITS دسته‌بندی می‌کنیم. حاصل این بررسی می‌تواند برای توسعهٔ خدمات مختلف ITS در شبکه‌های درون‌شهری و بین‌شهری به کار رود.

کلیدواژه‌ها:

سامانه‌های حمل‌ونقل هوشمند، تخصیص ترافیک، بهینه‌سازی شبکه، برنامه‌ریزی ریاضی، الگوریتم‌های فراابتکاری، شبکه‌های حسگر، بهینه‌سازی مبتنی بر شبیه‌سازی، فرامدل.

نویسندگان: Mohammad Mahdi Bejani, Mehdi Ghatee

• نظریهٔ منظم‌سازی تطبیقی SVD برای شبکه‌های عصبی عمیق،

Mohammad Mahdi Bejani, Mehdi Ghatee,

Neural Networks,  128 (2020) 33-46.

نویسندگان: Shadi Abpeikar, Mehdi Ghatee, Gian Luca Foresti, and Christian Micheloni

• درخت عصبی تطبیقی با بهره‌گیری از گره‌های خبره برای طبقه‌بندی داده‌های پُربُعد،

Shadi Abpeikar, Mehdi Ghatee, Gian Luca Foresti, and Christian Micheloni,

Neural Networks, 124 (2020) 20-38.

نویسندگان: MG Parsa, H Zare, Mehdi Ghatee

• انتخاب ویژگی بدون نظارت مبتنی بر یادگیری تطبیقی شباهت و خوشه‌بندی زیرفضا

MG Parsa, H Zare, Mehdi Ghatee

Engineering Applications of Artificial Intelligence 95 (2020), 103855

نویسندگان: Mehdi Ghatee, M Khalili, M Teimouri, MM Bejani

• حسگرهای صوتی کنار جاده برای پشتیبانی از عابران پیادهٔ آسیب‌پذیر از طریق تلفن‌های هوشمند آن‌ها

Mehdi Ghatee, M Khalili, M Teimouri, MM Bejani

AUT Journal of Mathematics and Computing 1 (2020), 135-143

نویسندگان: F Teimouri, Mehdi Ghatee

• سامانهٔ هشدار بلادرنگ برخورد از عقب مبتنی بر طبقه‌بند جنگل تصادفی

F Teimouri, Mehdi Ghatee

Journal of Soft Computing in Civil Engineering 4 (2020), 49-71

نویسندگان: Ali Pashaei, Mehdi Ghatee, Hedieh Sajedi

• ترکیب شبکهٔ عصبی کانولوشنی با آمیزه‌ای از ماشین‌های یادگیری افراطی برای استخراج ویژگی و طبقه‌بندی تصاویر تصادف،

Ali Pashaei, Mehdi Ghatee, Hedieh Sajedi, 

Journal of Real-Time Image Processing، جلد 17، صفحات 1051–1066 (2020)

مرجع: https://doi.org/10.1007/s11554-019-00852-3

نویسندگان: Shadi Abpeykar, Mehdi Ghatee

• درخت‌های عصبی با مدل‌های انتقال دانش همتا‌به‌همتا و سرور‌به‌کارخواه برای طبقه‌بندی داده‌های پُربُعد،

Shadi Abpeykar, Mehdi Ghatee,

Expert Systems With Applications، 137 (2019)، صفحات 281–291.

نویسندگان: Mohammad Mahdi Bejani, Mehdi Ghatee

• شبکهٔ عصبی کانولوشنی با منظم‌سازی تطبیقی برای طبقه‌بندی سبک‌های رانندگی با تلفن‌های هوشمند، 

Mohammad Mahdi Bejani, Mehdi Ghatee, 

IEEE Transactions on Intelligent Transportation Systems، 2019، در دست چاپ، DOI: 10.1109/TITS.2019.2896672.

نویسندگان: S. Abpeykar, M. Ghatee, H. Zare

• جنگل تصمیم جمعی از شبکه‌های RBF با رویکرد ترکیبی خوشه‌بندی ویژگی‌ها برای طبقه‌بندی داده‌های پُربُعد.

S. Abpeykar, M. Ghatee, H. Zare, 

Computational Statistics & Data Analysis, 131, (2019) 12-36.

نویسندگان: Hamid Reza Eftekhari, & Mehdi Ghatee

نویسندگان: Hamid Reza Eftekhari و Mehdi Ghatee

منتشرشده در: Journal of Intelligent Transportation Systems Technology, Planning, and Operations، جلد 23، 2019 — شمارهٔ 1.

چکیده:

ارزیابی رفتار رانندگان یکی از مهم‌ترین مسائل در سامانه‌های حمل‌ونقل هوشمند و سامانه‌های کمک‌راننده است و تأثیر زیادی بر ایمنی رانندگی و مصرف سوخت دارد. یکی از چالش‌های این زمینه، دیدگاه مدل‌سازی برای مواجهه با عدم‌قطعیت در قضاوت دربارهٔ رفتارهای رانندگی است. در واقع، ارزیابی یک مانور منفرد با آستانه‌ای ثابت، به قضاوتی ضعیف دربارهٔ رانندگی می‌انجامد. برای رفع این کاستی، یک سامانهٔ عصبی–فازی جدید پیشنهاد می‌شود تا هنگامی که همهٔ مانورهای مختلف با چند عدد فازی بیان می‌شوند، رفتارهای رانندگی را بر پایهٔ شباهت آن‌ها به الگوهای فازی طبقه‌بندی کند. این الگوها نیز اعداد فازی هستند و از تحلیل آماری داده‌های حسگرهای گوشی هوشمند استخراج می‌شوند. سامانهٔ ارزیابی رانندگی ما از سه فرایند تشکیل شده است. نخست، با استفاده از یک شبکهٔ عصبی پرسپترون چندلایه، نوع همهٔ مانورها را در طول دورهٔ رانندگی تشخیص می‌دهد. دوم، ویژگی جدیدی بر پایهٔ شتاب استخراج می‌کند و سه عدد فازی به مانورهای تغییر خط، گردش و دوربرگردان راننده اختصاص می‌دهد. سوم، شباهت میان این سه عدد فازی و الگوهای فازی را تعیین می‌کند تا امتیازهای رانندگی ایمن و پرخاشگرانه را ارزیابی کند. برای اعتبارسنجی این مدل، از پرسش‌نامه‌های امتیاز خشم راننده (DAS) استفاده می‌شود. نتایج نشان می‌دهند که تلفیق حسگرهای واحد اندازه‌گیری اینرسی (IMU) گوشی‌های هوشمند برای سامانهٔ پیشنهادی ارزیابی رانندگی کافی است. دقت این سامانه بدون استفاده از داده‌های GPS و GIS برابر با 87% است و این سامانه به نوع گوشی هوشمند و خودرو وابسته نیست.

نویسندگان: Hamid Reza Eftekhari, Mehdi Ghatee

• مدل‌سازی عصبی‌فازی مبتنی بر شباهت برای تشخیص رفتار رانندگی با به‌کارگیری همجوشی حسگرهای تلفن هوشمند،

Hamid Reza Eftekhari, Mehdi Ghatee,

Journal of Intelligent Transportation Systems: Technology, Planning, and Operations، 2018، در دست چاپ، DOI: 10.1080/15472450.2018.1506338.

نویسندگان: Hamid Reza Eftekhari, Mehdi Ghatee

• ترکیب تبدیل موجک گسسته و سامانهٔ استنتاج عصبی‌فازی تطبیقی برای تشخیص کلی رفتار رانندگی،

Hamid Reza Eftekhari, Mehdi Ghatee

Transportation Research Part F: Psychology and Behaviour, 58 (2018) 782–796.

نویسندگان: M. Bejani, M. Ghatee

• سامانه‌ای آگاه از زمینه برای ارزیابی سبک رانندگی با یادگیری جمعی بر داده‌های حسگرهای تلفن هوشمند

M. Bejani, M. Ghatee

Transportation Research Part C: Emerging Technologies، جلد 89، آوریل 2018، صفحات 303–320

نویسندگان: S. Abpeykar, M. Ghatee

• مجموعه‌ای از شبکه‌های عصبی RBF در ساختار درخت تصمیم همراه با انتقال دانش برای شتاب‌بخشیدن به طبقه‌بندی چندکلاسه

S. Abpeykar, M. Ghatee

Neural Computing and Applications، صفحات 1–21، 2018

نویسندگان: S. Abpeykar, M. Ghatee

• روش‌های جهت نزولی روی ناحیهٔ شدنی شناسایی‌شده با فرامدل‌های یادگیری با نظارت برای حل مسائل بدون ساختار

S. Abpeykar, M. Ghatee

Journal of Information and Optimization Sciences، مه 2018

نویسندگان: R.B.  Zadeh, M. Ghatee, H.R. Eftekhari

• سامانهٔ هشدار سه‌مرحله‌ای مبتنی بر تلفن هوشمند برای حفاظت از کاربران آسیب‌پذیر راه در شرایط فازی

R.B.  Zadeh, M. Ghatee, H.R. Eftekhari

IEEE Transactions on Intelligent Transportation Systems, 19 (2018) 2086 – 2098.

نویسندگان: A. Fakhri, M Ghatee, A. Fragkogios, G. Saharidis

• تجزیهٔ بندرز با زیرمسئلهٔ عددصحیح

A. Fakhri, M Ghatee, A. Fragkogios, G. Saharidis

Expert Systems with Applications، جلد 89، 15 دسامبر 2017، صفحات 20–30

نویسندگان: H Eftekhari, M Ghatee

• کران پایین قیمت‌گذاری پویای پارکینگ برای کاهش تراکم ترافیک در محدودهٔ مرکزی تجاری (CBD)

H Eftekhari, M Ghatee

Operational Research، اکتبر 2017، جلد 17، شمارهٔ 3، صفحات 761–787

نویسندگان: M. Niksirat, S. M. Hashemi, M. Ghatee

• الگوریتم شاخه‌وقیمت برای مسائل برنامه‌ریزی عددصحیح فازی با ساختار بلوکی زاویه‌ای

M. Niksirat, S. M. Hashemi, M. Ghatee

Fuzzy Sets and Systems، جلد 296، 1 اوت 2016، صفحات 70–96

نویسندگان: H. R. Eftekhari, M. Ghatee

• موتور استنتاج برای تلفن‌های هوشمند به‌منظور پیش‌پردازش داده‌ها و تشخیص حالت‌های سکون و شیوه‌های جابه‌جایی

H. R. Eftekhari, M. Ghatee

Transportation Research Part C: Emerging Technologies، جلد 69، اوت 2016، صفحات 313–327

نویسندگان: E Abbasi, M Shiri, M Ghatee

• آمیزهٔ خبرگان ریشه–درجه‌چهارِ منظم‌سازی‌شده (root–quartic) برای مسائل پیچیدهٔ طبقه‌بندی

E Abbasi, M Shiri, M Ghatee

Knowledge-Based Systems، جلد 110، 15 اکتبر 2016، صفحات 98–109

نویسندگان: E. Abbasi, M. Shiri, M. Ghatee

• آمیزهٔ خبرگان ریشه–درجه‌چهار (root-quartic) برای مسائل پیچیدهٔ طبقه‌بندی

E. Abbasi, M. Shiri, M. Ghatee

Expert Systems with Applications، جلد 53، 1 ژوئیهٔ 2016، صفحات 192–203

نویسندگان: A. Fakhri, M. Ghatee

• کاربرد روش تجزیهٔ بندرز در حل مسئلهٔ طراحی شبکهٔ چندکالایی با هزینهٔ ثابت و اجتناب از تراکم

A. Fakhri, M. Ghatee

Applied Mathematical Modelling، جلد 40، شماره‌های 13–14، ژوئیهٔ 2016، صفحات 6468–6476

نویسندگان: A. Fakhri, M. Ghatee

• کمینه‌سازی مجموع یک تابع خطی و یک تابع کسری خطی با به‌کارگیری نمایش درجه‌دوی مخروطی: مسائل پیوسته و گسسته

A. Fakhri, M. Ghatee

Optimization, 65 (2016) 1023-1038.

نویسندگان: R. Asadi, M. Ghatee

• سامانهٔ پشتیبان تصمیم مبتنی بر قاعده در سامانهٔ هوشمند حمل‌ونقل مواد خطرناک

R. Asadi, M. Ghatee

IEEE Transactions on Intelligent Transportation Systems, 16 (2015) 2756 – 2764.

نویسندگان: S. Abpeykar, M. Ghatee

• سامانهٔ پشتیبان تصمیم با یادگیری بانظارت و بدون نظارت برای مدیریت حوادث در تونل هوشمند: مطالعهٔ موردی تونل نیایش تهران

S. Abpeykar, M. Ghatee

Tunnelling and Underground Space Technology 42, 293-306, 2014

نویسندگان: A. Fakhri, M. Ghatee

• مسئلهٔ جریان چندکالایی کسری: دوگانی و شرایط بهینگی

A. Fakhri, M. Ghatee

Applied Mathematical Modelling 38(7), 2151-2162, 2014.

نویسندگان: M. Ghatee

• حل مسائل تعمیم‌یافتهٔ برنامه‌ریزی خطی بازه‌ای: رویکردهای بدبینانه و خوش‌بینانه،

M. Ghatee,

Journal of Computing and Security (JCS) 1 (2), 159-167, 2014.

نویسندگان: M. Ghatee, S.M. Hashemi

• سامانهٔ پشتیبان تصمیم چنددیدگاهی برای طراحی سلسله‌مراتبی شبکهٔ حمل‌ونقل اتوبوسی: مطالعهٔ موردی تهران

M. Ghatee, S.M. Hashemi

International Journal of Transportation Engineering 2 (2), 107-118, 2014

نویسندگان: A. Fakhri, M. Ghatee

• حل مسائل طراحی شبکهٔ چندهدفه با اولویت‌های سلسله‌مراتبی با استفاده از روش تجزیهٔ بندرز

A. Fakhri, M. Ghatee

Annals of Operations Research 210 (1), 295-307, 2013

نویسندگان: S. Soudmand, M. Ghatee, S.M. Hashemi

• روش SA-IP برای قیمت‌گذاری تراکم مبتنی بر سطح خدمت در شبکهٔ شهری تحت شرایط فازی

S. Soudmand, M. Ghatee, S.M. Hashemi

International Journal of Civil Engineering 11 (4), 282-292, 2013

نویسندگان: E. Abbasi, M. Ghatee, M.E. Shiri

• FRAN و RBF-PSO به‌عنوان دو مؤلفهٔ یک ابرچارچوب برای تشخیص چین‌خوردگی پروتئین‌ها

E. Abbasi, M. Ghatee, M.E. Shiri

Computers in Biology and Medicine 43 (9), 1182-1191, 2013

نویسندگان: M. Jahani, S.M. Hashemi, M. Ghatee, M. Jahanshahi

•  مدلی نوین برای مکان‌یابی ایستگاه اتوبوس متناسب با طراحی شبکهٔ حمل‌ونقل عمومی: مطالعهٔ موردی محدوده‌های مرکزی تجاری (CBD) تهران

M. Jahani, S.M. Hashemi, M. Ghatee, M. Jahanshahi

INTERNATIONAL JOURNAL OF SMART ELECTRICAL ENGINEERING 2 (3), 133-141, 2013

نویسندگان: M. Niksirat, M. Ghatee, S. M. Hashemi

• مسئلهٔ K مسیر کوتاهِ شدنی چندشیوه‌ای در شبکهٔ حمل‌ونقل عمومی تهران و حل آن با الگوریتم‌های کلونی مورچگان و تبرید شبیه‌سازی‌شده

M. Niksirat, M. Ghatee, S. M. Hashemi

Applied Mathematical Modelling 36 (11), 5709-5726, 2012

نویسندگان: M. Ghatee, M. Niksirat

• کاربرد شبکهٔ عصبی هاپفیلد در مسئلهٔ بیشینه‌برش فازی تحت معیار اعتبار

M. Ghatee, M. Niksirat

Information Sciences 229 (20), 77-93, 2012.

نویسندگان: M.S. Beyranvand, M.R. Peyghami, M. Ghatee

• دربارهٔ مدل درجه‌دو برای مسئلهٔ زمان‌بندی ماشین‌های موازی نامرتبط با موعد تحویل مشترکِ محدودکننده

M.S. Beyranvand, M.R. Peyghami, M. Ghatee

Optimization Letters 6 (8), 1897-1911, 2012.

نویسندگان: M. Ghatee

• الگوریتم مشارکتی مبتنی بر کیفیت خدمت (QoS) برای مسئلهٔ جریان چندکالایی صحیح

M. Ghatee

Computer Communications 34 (7), 835-846,       2011

نویسندگان: M. Ghatee, S.M. Hashemi

• مدل تخصیص ترافیک با سطح فازی تقاضای سفر: الگوریتمی کارا مبتنی بر فرمول‌های شبه‌لوجیت

M. Ghatee, S.M. Hashemi

European Journal of Operational Research 194 (2), 432-451, 2009

نویسندگان: M. Ghatee, S.M. Hashemi

• کاربرد مسائل جریان کم‌هزینهٔ فازی در طراحی شبکه تحت عدم‌قطعیت

M. Ghatee, S.M. Hashemi

Fuzzy sets and systems 160 (22), 3263-3289, 2009

نویسندگان: M. Ghatee, S. M. Hashemi, M. Zarepisheh, E. Khorram

• الگوریتم‌های مبتنی بر اولویت سلسله‌مراتبی برای مسئلهٔ جریان کم‌هزینهٔ فازی: کاربردی در حمل‌ونقل مواد خطرناک

M. Ghatee, S. M. Hashemi, M. Zarepisheh, E. Khorram

Computers & Industrial Engineering 57 (1), 341-354, 2009

نویسندگان: M. Ghatee, A. Mohades

• برنامه‌ریزی حرکت برای بهینه‌سازی طول مسیر و فاصلهٔ ایمن از موانع با به‌کارگیری شبکهٔ عصبی هاپفیلد

M. Ghatee, A. Mohades

Expert Systems with Applications 36 (3), 4688-4695, 2009

نویسندگان: M. Ghatee, S.M. Hashemi

• طراحی بهینهٔ شبکه و مدیریت ذخیره‌سازی در شبکهٔ توزیع فرآورده‌های نفتی تحت عدم‌قطعیت

M. Ghatee, S.M. Hashemi

Engineering Applications of Artificial Intelligence 22 (4), 796-807, 2009

نویسندگان: M. Ghatee, S.M. Hashemi

• برخی مفاهیم مسئلهٔ جریان چندکالایی فازی و کاربرد آن‌ها در طراحی شبکهٔ فازی

M. Ghatee, S.M. Hashemi

Mathematical and Computer Modelling 49 (5), 1030-1043, 2009

نویسندگان: M. Dehghan, M. Ghatee, B. Hashemi

• معکوس ماتریس فازی متشکل از اعداد فازی

M. Dehghan, M. Ghatee, B. Hashemi

International Journal of Computer Mathematics 86 (8), 1433-1452, 2009

نویسندگان: M. Dehghan, M.Ghatee, B. Hashemi

• برخی محاسبات روی ماتریس‌های فازی: کاربردی در فرایند تحلیل سلسله‌مراتبی فازی

M. Dehghan, M.Ghatee, B. Hashemi

International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems 16 (5) 715-733, 2009

نویسندگان: M. Ghatee, S. M. Hashemi

• مسئلهٔ تعمیم‌یافتهٔ جریان کم‌هزینه در محیط فازی: کاربردی در مسئلهٔ برنامه‌ریزی شبکهٔ اتوبوس‌رانی

M. Ghatee, S. M. Hashemi

Applied Mathematical Modelling 32 (12), 2490-2508, 2008

نویسندگان: M. Ghatee, S.M. Hashemi, B. Hashemi, M. Dehghan

• حل و دوگانی مسائل شبکهٔ نادقیق

M. Ghatee, S.M. Hashemi, B. Hashemi, M. Dehghan

Computers & Mathematics with Applications 55 (12), 2767-2790, 2008

نویسندگان: M. Dehghan, B. Hashemi, M. Ghatee

• حل دستگاه‌های خطی کاملاً فازی با استفاده از روش‌های تکراری

M. Dehghan, B. Hashemi, M. Ghatee

Chaos, Solitons & Fractals 34 (2), 316-336, 2007

نویسندگان: M. Ghatee, S. M. Hashemi

• پاسخ‌های مبتنی بر تابع رتبه‌بندی برای مسئلهٔ جریان کم‌هزینهٔ کاملاً فازی‌شده

M. Ghatee, S. M. Hashemi

Information Sciences 177 (20), 4271-4294, 2007

نویسندگان: M. Ghatee, S.M. Hashemi

• الگوریتم جهت نزولی با مسئلهٔ جریان چندکالایی برای بهینه‌سازی هم‌زمان چراغ‌های راهنمایی و تخصیص ترافیک

M. Ghatee, S.M. Hashemi

Applied mathematics and computation 188 (1), 555-566, 2007

نویسندگان: E. Nasrabadi, S.M. Hashemi, M. Ghatee

• رویکردی مبتنی بر برنامه‌ریزی خطی (LP) برای تشخیص داده‌های پرت در تحلیل رگرسیون فازی

E. Nasrabadi, S.M. Hashemi, M. Ghatee

International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems 15(4), 441-456, 2007

نویسندگان: M. Dehghan, B. Hashemi, M. Ghatee

• روش‌های محاسباتی برای حل دستگاه‌های خطی کاملاً فازی

M. Dehghan, B. Hashemi, M. Ghatee

Applied Mathematics and Computation 179 (1), 328-343,            2006

نویسندگان: S.M. Hashemi, M. Ghatee, E. Nasrabadi

• الگوریتم‌های ترکیبیاتی برای مسئلهٔ جریان با کمینهٔ هزینهٔ بازه‌ای

S.M. Hashemi, M. Ghatee, E. Nasrabadi

Applied mathematics and computation 175 (2), 1200-1216, 2006

نویسندگان: S.M. Hashemi, M. Ghatee, B. Hashemi

• برنامه‌ریزی آرمانی فازی: شرایط لقی مکمل و طرح‌های محاسباتی

S.M. Hashemi, M. Ghatee, B. Hashemi

Applied mathematics and computation 179 (2), 506-522, 2006

نویسندگان: Behnam Yousefimehr, Mehdi Ghatee, Javad Fazli, Shervin Ghaffari, Zahra Rafei, Mohammad Amin Seifi, Sajed Tavakoli, Abolfazl Nikahd, Mahdi Razi Gandomani, Alireza Orouji, Ramtin Mahmoudi Kashani, Sarina Heshmati, Negin Sadat Mousavi

• راهبردهای متوازن‌سازی داده‌ها: مروری نظام‌مند بر روش‌های بازنمونه‌گیری و افزایش داده

Behnam Yousefimehr, Mehdi Ghatee, Javad Fazli, Shervin Ghaffari, Zahra Rafei, Mohammad Amin Seifi, Sajed Tavakoli, Abolfazl Nikahd, Mahdi Razi Gandomani, Alireza Orouji, Ramtin Mahmoudi Kashani, Sarina Heshmati, Negin Sadat Mousavi

Machine Learning and Knowledge Extraction 8 (7), 211

مرجع: https://doi.org/10.3390/make8070211

نویسندگان: R Ahmadian, M Ghatee, J Wahlström

• بهبود شناسایی کاربر با استفاده از Dropout مونت‌کارلوی کالیبره‌شده

R Ahmadian, M Ghatee, J Wahlström
Knowledge-Based Systems 305, 112581

مرجع: https://doi.org/10.1016/j.knosys.2024.112581

نویسندگان: R Ahmadian, M Ghatee, J Wahlström

• شناسایی راننده با مجموعه‌ای از CNNها حاصل از انتخاب مدل مبتنی بر رأی اکثریت
  

R Ahmadian, M Ghatee, J Wahlström

کنفرانس بین‌المللی هوش مصنوعی و خودروهای هوشمند، 120–136

مرجع: https://doi.org/10.1007/978-3-031-43763-2_8

نویسندگان: N Binesh, M Ghatee

• استفاده از بردارهای ویژهٔ اصلی ماتریس Laplacian-Plus برای شناسایی انتشاردهندگان شبکه‌های اجتماعی تحت مدل انتشار آستانهٔ خطی

N Binesh, M Ghatee
AUT Journal of Mathematics and Computing 3 (2), 153-164

شناسهٔ DOI: 10.22060/ajmc.2022.20727.1074

نویسندگان: Rouhollah Ahmadian, Mehdi Ghatee, Johan Wahlström

• تبدیل موجک گسسته برای شبکهٔ مولد تخاصمی به‌منظور شناسایی رانندگان با استفاده از حسگرهای ژیروسکوپ و شتاب‌سنج،

Rouhollah Ahmadian, Mehdi Ghatee, Johan Wahlström,

IEEE Sensors Journal 22 (7), 6879-6886

شناسهٔ DOI: 10.1109/JSEN.2022.3152518

نویسندگان: Sima Sharifirad, Azra Nazari, Mehdi Ghatee

1. arXiv:1803.11002
SMOTE اصلاح‌شده با استفاده از اطلاعات متقابل و انواع مختلف آنتروپی
Sima Sharifirad, Azra Nazari, Mehdi Ghatee
موضوع‌ها: هوش مصنوعی (cs.AI)؛ یادگیری (cs.LG)؛ یادگیری ماشین (stat.ML)

نویسندگان: Roya Lotfi, Mehdi Ghatee

2. arXiv:1803.06213
طبقه‌بندی سبک رانندگی مبتنی بر تلفن هوشمند با استفاده از ویژگی‌های تولیدشده توسط تبدیل موجک گسسته
Roya Lotfi, Mehdi Ghatee
موضوع‌ها: تعامل انسان و رایانه (cs.HC)

نویسندگان: Arash Raeisi Gahrouei, Mehdi Ghatee

3. arXiv:1803.04385
الگوریتم تقریبی مبتنی بر مزایده برای زمان‌بندی سامانهٔ گرید تحت راهبردهای تأمین‌کنندهٔ منابع
Arash Raeisi Gahrouei, Mehdi Ghatee
موضوع‌ها: شبکه و معماری اینترنت (cs.NI)

نویسندگان: Arash Raeisi Gahrouei, Mehdi Ghatee

4. arXiv:1803.04378
پیاده‌سازی مؤثر الگوریتم سیمپلکس تجدیدنظرشده مبتنی بر GPU با به‌کارگیری راهبردهای جدید مدیریت حافظه و اجتناب از چرخه
Arash Raeisi Gahrouei, Mehdi Ghatee
موضوع‌ها: بهینه‌سازی و کنترل (math.OC)؛ رایانش توزیع‌شده، موازی و خوشه‌ای (cs.DC)

نویسندگان: Marzieh Heidari , Mehdi Ghatee , Ahmad Nickabadi , Arash Pourhasan Nezhad

5. arXiv:2007.03338  

تولید شرح تصویر متنوع و سبک‌دار با استفاده از آمیزهٔ خبرگان بازگشتی مبتنی بر SVD

Marzieh Heidari, Mehdi Ghatee, Ahmad Nickabadi, Arash Pourhasan Nezhad

cs.CV cs.CL cs.LG

نویسندگان: Mohammad Mahdi Bejani , Mehdi Ghatee

6. arXiv:2005.01995

تجزیهٔ تطبیقی کم‌رتبه برای منظم‌سازی شبکه‌های عصبی کم‌عمق و عمیق

Mohammad Mahdi Bejani, Mehdi Ghatee

نویسندگان: Ruhallah Ahmadian , Mehdi Ghatee

• arXiv:2002.00764

شناسایی راننده با شبکهٔ عصبی بر ویژگی‌های آماری استخراج‌شده از داده‌های تلفن هوشمند

نویسندگان: Ruhallah Ahmadian, Mehdi Ghatee

نویسندگان: Fateme Hoseinnia, Mehdi Ghatee, Mostafa Haghir Chehreghani

کاهش هموارشدگی بیش‌ازحد در شبکه‌های عصبی گرافی برای طبقه‌بندی گره‌ها با استفاده از فرایندهای تعبیهٔ زودهنگام تطبیقی و DropEdge سوگیرانه

نوشتهٔ

Fateme Hoseinnia, Mehdi Ghatee, Mostafa Haghir Chehreghani

برای انتشار در این نشریه پذیرفته شده است: "Knowledge-Based Systems".

نکات برجسته:

• ارائهٔ تعبیهٔ زودهنگام تطبیقی برای گره‌ها با هدف کاهش هموارشدگی بیش‌ازحد در شبکه‌های عصبی گرافی.
• برای تعبیهٔ گره‌ها، لازم نیست پردازش تعبیهٔ همهٔ گره‌ها تا لایهٔ آخر ادامه یابد.
• استفاده از DropEdge سوگیرانه برای کاهش سرعت همگرایی به هموارشدگی بیش‌ازحد.
• به‌کارگیری دو فرایندِ آمادهٔ ادغام در شبکه‌های عصبی گرافیِ عمیق مبتنی بر پیام‌رسانی با لایه‌های متعددِ پیاپی.
• اثبات نظریِ کاهش هموارشدگی بیش‌ازحد توسط مدل پیشنهادی.

چکیده:

شبکه‌های عصبی گرافی (GNNs) برای وظایف مرتبط با داده‌های دارای ساختار گراف، در حوزه‌های متنوعی از جمله بینایی کامپیوتر، زیست‌شناسی، رسانه‌های اجتماعی و پیش‌بینی ترافیک به‌طور گسترده استفاده می‌شوند. با وجود موفقیت‌های چشمگیر آن‌ها، افزایش عمق شبکه‌های عصبی گرافی می‌تواند تمایزپذیری بازنمایی گره‌ها را تضعیف کند و به افت عملکرد در طبقه‌بندی گره‌ها بینجامد. بخشی از این چالش ناشی از پدیده‌ای موسوم به هموارشدگی بیش‌ازحد است. این مقاله، فرایند تعبیهٔ زودهنگام تطبیقی (AEE) را میان لایه‌های شبکهٔ کانولوشنی گرافی (GCN) معرفی می‌کند. این روش، تجمیع اطلاعات گره‌های همسایه را به‌صورت تطبیقی و پیش از لایهٔ نهایی شبکهٔ اصلی متوقف می‌کند. با کاهش هموارشدگی بیش‌ازحدِ تعبیه‌های گره‌ها، تمایزپذیری داده‌ها افزایش می‌یابد. دستاورد مهم دیگر این پژوهش، استفاده از فرایند DropEdge سوگیرانهٔ بین‌کلاسی (BDE) است که اطلاعات سودمند را به‌طور مؤثر منتشر می‌کند. مدل پیشنهادی مبتنی بر AEE+BDE را می‌توان با مدل‌های پایهٔ شبکهٔ عصبی گرافیِ مبتنی بر پیام‌رسانی ادغام کرد تا چالش‌های هموارشدگی بیش‌ازحد کاهش یابند. آزمایش‌های ما نشان می‌دهند که مدل پیشنهادی از مدل‌های پایه عملکرد بهتری دارد. همچنین شواهد نظری در تأیید اثربخشی فرایندهای AEE و BDE برای وظایف طبقه‌بندی گره‌ها ارائه می‌کنیم.

مرجع: https://doi.org/10.1016/j.knosys.2025.113615

نسخهٔ کامل مقالهٔ «کاهش هموارشدگی بیش‌ازحد در شبکه‌های عصبی گرافی برای طبقه‌بندی گره‌ها با استفاده از فرایندهای تعبیهٔ زودهنگام تطبیقی و DropEdge سوگیرانه» نوشتهٔ Fateme Hoseinnia، Mehdi Ghatee و Mostafa Haghir Chehreghani اکنون به‌صورت آنلاین در این نشریه در دسترس است: «Knowledge-Based Systems». با کلیک بر پیوند اشتراک‌گذاری زیر پیش از 03 ژوئیهٔ 2025 می‌توان آن را دریافت کرد. نیازی به ایجاد حساب، ثبت‌نام یا پرداخت هزینه نیست.

نویسندگان: Rouhollah Ahmadian, Mehdi Ghatee, Johan Wahlström

قواعد امتیازدهی برتر برای ارزیابی احتمالاتیِ وظایف طبقه‌بندی چندکلاسهٔ تک‌برچسبی

نوشتهٔ

Rouhollah Ahmadian, Mehdi Ghatee, Johan Wahlström

برای انتشار در این نشریه پذیرفته شده است: «International Journal of Approximate Reasoning“.

نکات برجسته:

• قواعد امتیازدهی متداول ممکن است به طبقه‌بندی‌های نادرست نسبت به پیش‌بینی‌های درست امتیاز بهتری بدهند.
• معرفی ویژگی «برتری» برای اطمینان از اینکه پیش‌بینی‌های درست امتیاز بهتری از پیش‌بینی‌های نادرست دریافت می‌کنند.
• PBS و PLL با اصلاح قواعد امتیازدهی متداول، جریمهٔ بیشتری برای طبقه‌بندی‌های نادرست در نظر می‌گیرند.
• اثبات اینکه PBS و PLL ضمن برخورداری از ویژگی برتری، همچنان قواعدی اکیداً درست‌انگیز (strictly proper) هستند.

چکیده:

این پژوهش، قواعد امتیازدهی برتر نوینی با نام‌های امتیاز بریر جریمه‌شده (PBS) و زیان لگاریتمی جریمه‌شده (PLL) را برای بهبود ارزیابی مدل در طبقه‌بندی احتمالاتی معرفی می‌کند. قواعد امتیازدهی متداول مانند امتیاز بریر و زیان لگاریتمی گاهی به طبقه‌بندی‌های نادرست نسبت به طبقه‌بندی‌های درست امتیاز بهتری می‌دهند. این فاصله با ترجیح واقعیِ پاداش‌دادن به طبقه‌بندی‌های درست می‌تواند به انتخاب مدلی غیربهینه بینجامد. با گنجاندن جریمه برای طبقه‌بندی‌های نادرست، PBS و PLL قواعد امتیازدهی درست‌انگیزِ متداول را اصلاح می‌کنند تا همواره به پیش‌بینی‌های درست امتیاز بهتری بدهند. اثبات‌های رسمی نشان می‌دهند که PBS و PLL ویژگی‌های قواعد امتیازدهی اکیداً درست‌انگیز را دارند و هم‌زمان به طبقه‌بندی‌های دقیق ترجیحاً پاداش می‌دهند. آزمایش‌ها مزایای استفاده از PBS و PLL را برای انتخاب مدل، انتخاب نقاط ذخیرهٔ مدل و توقف زودهنگام نشان می‌دهند. PBS در طول آموزش، در مقایسه با امتیاز بریر، همبستگی منفی بیشتری با امتیاز F1 نشان می‌دهد. بنابراین، PBS نقاط ذخیرهٔ بهینه و زمان مناسب توقف زودهنگام را مؤثرتر شناسایی می‌کند و به بهبود امتیازهای F1 می‌انجامد. تحلیل مقایسه‌ای تأیید می‌کند مدل‌هایی که با استفاده از PBS و PLL انتخاب می‌شوند، امتیازهای F1 بهتری به دست می‌آورند. بنابراین، PBS و PLL با دربرگرفتن هم اصول امتیازدهی درست‌انگیز و هم ترجیح صریح طبقه‌بندی‌های درست، فاصلهٔ میان کمّی‌سازی عدم قطعیت و بیشینه‌سازی دقت را برطرف می‌کنند. معیارهای پیشنهادی می‌توانند ارزیابی و انتخاب مدل را برای طبقه‌بندی احتمالاتیِ قابل‌اعتماد بهبود دهند.

چکیدهٔ تصویری

مرجع: https://doi.org/10.1016/j.ijar.2025.109421

نسخهٔ کامل مقالهٔ «قواعد امتیازدهی برتر برای ارزیابی احتمالاتیِ وظایف طبقه‌بندی چندکلاسهٔ تک‌برچسبی» نوشتهٔ Rouhollah Ahmadian، Mehdi Ghatee و Johan Wahlström اکنون به‌صورت آنلاین در این نشریه در دسترس است: «International Journal of Approximate Reasoning». با کلیک بر پیوند اشتراک‌گذاری زیر پیش از 14 مهٔ 2025 می‌توان آن را دریافت کرد. نیازی به ایجاد حساب، ثبت‌نام یا پرداخت هزینه نیست.

https://authors.elsevier.com/a/1kp%7EJ,KD6ZjV%7El

نویسندگان: Kenari, Azra Rasouli; Montazerolghaem, Ahmadreza; Zojaji, Zahra; Ghatee, Mehdi; Yousefimehr, Behnam; Rahmani, Amin; Kalani, Mahdi; Kiyanpour, Farnoush; Kiani-Abari, Mohamad; Fakhar, Mohammad Yasin; Rezaei, Safiyeh; Tahernia, Mojtaba; Vafaie, Mohammad Hossein; Besharatnezhad, Hamidreza; Bafrani, Vahid Rahimi; Tofighi, Mohamad Taghi; Sedeh, Peyman Adibi; Soheilipour, Maryam; Rabbani, Hossein

رویداد هوش مصنوعی اصفهان 2023: مسابقهٔ تشخیص رفلاکس

نویسندگان:

Kenari, Azra Rasouli; Montazerolghaem, Ahmadreza; Zojaji, Zahra; Ghatee, Mehdi; Yousefimehr, Behnam; Rahmani, Amin; Kalani, Mahdi; Kiyanpour, Farnoush; Kiani-Abari, Mohamad; Fakhar, Mohammad Yasin; Rezaei, Safiyeh; Tahernia, Mojtaba; Vafaie, Mohammad Hossein; Besharatnezhad, Hamidreza; Bafrani, Vahid Rahimi; Tofighi, Mohamad Taghi; Sedeh, Peyman Adibi; Soheilipour, Maryam; Rabbani, Hossein

برای انتشار در این نشریه پذیرفته شده است: «Journal of Medical Signals & Sensors”.

چکیده

پیشینه: 

بیماری رفلاکس معده به مری (GERD) یک اختلال شایع گوارشی است که میلیون‌ها نفر را در سراسر جهان درگیر می‌کند. پایش امپدانس چندکانالهٔ داخل‌مجرایی همراه با pH ‏(MII-pH)، روشی نوین و در حال حاضر معیار طلایی تشخیص GERD است. توصیف دقیق رویدادهای رفلاکس از روی داده‌های MII برای تشخیص GERD اهمیت اساسی دارد. با وجود طرح اولیهٔ پیشرفت‌های نرم‌افزاری در متون بالینی در چند سال پیش، استخراج قابل‌اعتماد رویدادهای رفلاکس از داده‌های MII همچنان چالشی مهم است. دستیابی به موفقیت، مستلزم همکاری یکپارچهٔ دو جزء کلیدی است: پروتکل معیارهای تعریف رفلاکس که متخصصان گوارش تدوین کرده‌اند، و تحلیل جامع داده‌های MII برای تشخیص رفلاکس.

روش: 

تیم ما برای پرداختن به این چالش، مجموعه‌داده‌ای شامل 201 دورهٔ MII گردآوری کرد. سپس با دقت، معیارهای مشخصی برای تعریف دوره‌های رفلاکس تدوین کردیم و معیار طلایی و برچسب‌های داده‌های MII را تعیین کردیم.

نتیجه: 

لازم است روش‌های متنوع تحلیل سیگنال بررسی شوند. نخستین مسابقهٔ هوش مصنوعی اصفهان در سال 2023 شامل ارزیابی‌های رسمی روش‌های مختلف در شش حوزهٔ مجزا، از جمله ارزیابی داده‌های MII، بود.

بحث: 

این مقاله، مجموعه‌داده‌های ارائه‌شده به شرکت‌کنندگان را شرح می‌دهد و مروری بر نتایج مسابقه ارائه می‌کند.

کلیدواژه‌ها

پایش 24ساعته، یادگیری عمیق، چالش هوش مصنوعی اصفهان، امپدانس چندکانالهٔ داخل‌مجرایی، رفلاکس

مرجع: 

Journal of Medical Signals & Sensors 15(2):6، فوریهٔ 2025. | شناسهٔ DOI: 10.4103/jmss.jmss_46_24

نویسندگان: Behnam Yousefimehr, Mehdi Ghatee, Ayin Ghazimoradi, Vista Farahifar

چارچوب تجمیع یادگیری ماشین عملیاتیِ حساس به هزینه با بازنمونه‌گیری (ROME) برای تشخیص تقلب در بیمهٔ خودرو

نوشتهٔ

Behnam Yousefimehr, Mehdi Ghatee, Ayin Ghazimoradi, Vista Farahifar

برای انتشار در نشریهٔ «International Journal of Information and Communication Technology Research» پذیرفته شده است.

چکیده

این پژوهش رویکردی نوین برای بهبود تشخیص تقلب در بیمهٔ خودرو از طریق چارچوب ROME معرفی می‌کند که روش‌های بازنمونه‌گیری را با یادگیری ماشین حساس به هزینه تلفیق می‌کند. منطق این روش از پرداختن به دو چالش اساسی تشخیص تقلب سرچشمه می‌گیرد: عدم توازن مجموعه‌داده‌ها و هزینهٔ بالای ناشی از طبقه‌بندی نادرست موارد متقلبانه. روش بازنمونه‌گیری، بازنمایی متوازن داده‌ها را تضمین می‌کند، درحالی‌که رویکرد حساس به هزینه، کاهش پیامد طبقه‌بندی نادرست را در اولویت قرار می‌دهد و با هدف صنعت برای کمینه‌کردن زیان‌های مالی همسوست. این راهبرد ترکیبی پیشرفتی مهم در تشخیص تقلب به شمار می‌رود. مدل با داده‌های واقعی بیمهٔ خودرو آزموده شد و به معیار F1 برابر با 76.32% دست یافت که 31.25% بهتر از مدل پایهٔ CatBoost بود. این نتایج، اثربخشی رویکرد ترکیبی را در افزایش دقت تشخیص نشان می‌دهند و ابزاری توانمند برای بهبود مدیریت ریسک در اختیار بیمه‌گران قرار می‌دهند. یافته‌ها با افزایش قابلیت‌اعتماد و کارایی سامانه‌های تشخیص تقلب، دستاوردهای مهمی برای صنعت بیمه فراهم می‌کنند.

کلیدواژه‌ها

تشخیص تقلب؛ بیمهٔ خودرو؛ بازنمونه‌گیری؛ حساس به هزینه؛ یادگیری ماشین

نویسندگان: Behnam Yousefimehr, Mehdi Ghatee, Sina Moradi, Yasamin Tafakor, Sajed Tavakoli

تشخیص تقلب در بیمهٔ خودرو با استفاده از خوشه‌بندی بهبودیافته به کمک الگوریتم ژنتیک
نوشتهٔ

Behnam Yousefimehr, Mehdi Ghatee, Sina Moradi, Yasamin Tafakor, Sajed Tavakoli
برای انتشار در نشریهٔ «Iranian Journal of Insurance Research (IJIR)» پذیرفته شده است.

چکیده:

پیشینه و اهداف: خوشه‌بندی یکی از روش‌های بنیادی در داده‌کاوی و یادگیری ماشین است که برای تقسیم یک مجموعه‌داده به زیرمجموعه‌های همگن استفاده می‌شود. روش‌های گوناگونی برای خوشه‌بندی وجود دارند که هرکدام نقاط قوت و ضعف خود را دارند. یکی از چالش‌های اصلی در خوشه‌بندی، یافتن تعداد بهینهٔ خوشه‌ها و تخصیص بهینهٔ داده‌ها به این خوشه‌هاست. الگوریتم ژنتیک، به‌عنوان روشی بهینه‌سازی مبتنی بر تکامل طبیعی، توانایی بالایی در حل مسائل پیچیده و جست‌وجو در فضاهای بزرگ پاسخ دارد و می‌تواند به‌طور مؤثر به‌عنوان ابزاری برای خوشه‌بندی به کار رود. هدف این مقاله، ارزیابی عملکرد و دقت الگوریتم ژنتیک در خوشه‌بندی داده‌ها و مقایسهٔ آن با روش‌های متداول خوشه‌بندی است. برای ارزیابی عملکرد این الگوریتم، از چند مجموعه‌دادهٔ بیمه استفاده شد و نتایج با معیارهای مختلفی مانند دقت، سرعت و همگرایی تحلیل شدند. همچنین پارامترهای مختلف الگوریتم ژنتیک بررسی شدند تا تأثیر آن‌ها بر عملکرد نهایی الگوریتم مشخص شود و تنظیمات بهینه برای خوشه‌بندی داده‌ها به دست آید.

روش: در این پژوهش، برای تشکیل کروموزوم‌ها ابتدا تعداد خوشه‌ها مشخص شد. با توجه به اینکه هر مرکز خوشه به‌اندازهٔ مجموعه‌داده ویژگی دارد، طول هر کروموزوم از حاصل‌ضرب تعداد خوشه‌ها در تعداد ویژگی‌ها تعیین شد. برای فرایندهای تقاطع، جهش و بقا، روش‌های نوین و متنوعی به کار گرفته شد. همچنین برای بهینه‌سازی عملکرد خوشه‌بندی، امتیاز برازندگی مشابه الگوریتم k-means انتخاب شد. این رویکرد نوآورانه، دقت و کارایی فرایند خوشه‌بندی را بهبود داد.

یافته‌ها: با اعمال روش شرح‌داده‌شده در این مقاله بر سه مجموعه‌دادهٔ بیمه برای تشخیص تقلب، نتایج جالبی به دست آمد: در مجموعه‌دادهٔ نخست، بهبود 27% در F1 و افزایش 6% در دقت؛ در مجموعه‌دادهٔ دوم، بهبود 1% در F1 و 2% در دقت؛ و در مجموعه‌دادهٔ سوم، بهبود 2% در F1 و 9% در دقت در مقایسه با روش K-means و دیگر رویکردها. با توجه به ماهیت دودویی داده‌های این مجموعه‌ها، مسئله با استفاده از الگوریتم برای دو خوشه حل شد و بهترین برچسب هر خوشه براساس برچسب‌های واقعی داده‌ها انتخاب شد. نتایج به‌صورت خروجی‌های طبقه‌بندی ارائه شدند.نتیجه‌گیری: الگوریتم ژنتیک توانایی حل مسائل پیچیده‌ای را دارد که پاسخ قطعی ندارند و می‌تواند در خوشه‌بندی داده‌ها از روش‌های متداول مانند k-means بهتر عمل کند. استفاده از معیارهای ارزیابی گوناگون، مانند امتیاز سیلوئت، امتیاز دیویس–بولدین و شاخص تعدیل‌شدهٔ رند (ARI)، در این الگوریتم امکان بهبود مراکز خوشه‌ها را فراهم می‌کند. این رویکرد با بهره‌گیری از احتمال و تصادفی‌بودن، بررسی نقاط بیشتری را به‌عنوان مراکز خوشه ممکن می‌سازد و عملکرد خوشه‌بندی را بهبود می‌دهد. نتایج نشان می‌دهند که این روش در برخی موارد می‌تواند از روش‌های شناخته‌شده بهتر عمل کند و ساختاری مناسب برای خوشه‌بندی داده‌ها با استفاده از الگوریتم ژنتیک فراهم آورد.

شناسهٔ DOI: 10.22056/ijir.2024.369483.3207