ترجمه گروه ماشین یادگیری بی نهایت موازی شبکه مدولار

توضیحات

عنوان فارسی: گروه ماشین یادگیری بی نهایت موازی بر اساس شبکه مدولار min-max

عنوان انگلیسی:

Parallelized extreme learning machine ensemble based on min–max modular network

مقدمه:

ماشین یادگیری بی نهایت (ELM) به عنوان یک تکنولوژی نوظهور عملکرد عالی خود را در بسیاری از عملیات نشان داده است. این مقاله یک گروه ELM موازی بر اساس شبکه مدولار max-min (شبکه M³) را برای مقابله با چالش داده بزرگ پیشنهاد میدهد.  پیشنهادی اول ، مقاله دسته بندی را به دو زیر مساله کوچک تر تقسیم میکند و سپس برای هر زیر مساله یک ELM را تعلیم میدهد و در نهایت این ELM ها را با شبکه M³ گروهبندی میکند.20 دسته داده شامل قالب کارها و عملیات دنیای واقعی به کار برده شده اند.نتایج تجربی نشان میدهد که  نه تنها سرعت تعلیم را 4.6-1.6 برابر افزایش میدهد بلکه خطاهای آزمایش را در مقایسه با ELM مرسوم در حدود 0.37-19.51% کاهش میدهد.نتایج نشان میدهند که  قابلیت مقیاس بندی را بر پروژه های مقیاس بزرگ اعمال میکند و دقت پروژه های نامتعادل را افزایش میدهد.

کلید واژه ها: ماشین یادگیری بی نهایت ، شبکه های مدولار حداقل و حداکثر ، اطلاعات بزرگ ، روش گروهی ، آموزش موازی

معرفی

ماشین یادگیری بی نهایت (ELM) اخیرا  به عنوان یک تکنولوژی نوظهور توجه بیشتر و بیشتر محققان را برانگیخته است. در مقایسه با روش های یادگیری ماشین مرسوم مانند انتشار عقبگرد و ماشین پشتیبانی بردار ،عملکرد کلی بهتر، سرعت یادگیری سریعتری دارد و دخالت انسان در آن حداقل است.

در ELM بر خلاف یادگیری متداول ، لایه پنهان یک شبکه مستقیم جلو رونده با یک لایه پنهان است که تنظیم نشده است. یکی از پیاده سازی های ELM استفاده از گره های محاسباتی در لایه پنهان و سپس حل دوباره وزن های خروجی با استفاده از روش حداقل مربعات است.

روش های گروهی شامل استفاده از مدل های چندگانه برای بدست آوردن پیشگویی عملکرد است .این روش به طور موثری در بسیاری از عملیات آزموده شده است.روش های گروهبندی شبکه مدولار max-min توسط LU,Ito به عنوان یک دستاورد برای پروزه های دسته بندی پترن های پیچیده مطرح شد.و اصل آن تقسیم کل پروژه به تکه های کوچک و سپس حل دوباره تک تک آنهاست. اگرچه ELM به خوبی به عنوان یک طبقه بندی کننده واحد به خوبی آزموده شده است ولی گروههای ELM برای دسته بندی پترن کمتر به کار برده شده اند. در هر حال ،اخیرا چنین تقاضایی توسط داده های بزرگ مطرح شده است. این جمله به مجموعه ای از داده های خیلی بزرگ و پیچیده اشاره میکند که کار با آنها با استفاده از ابزارهای مدیریت پایگاه داده دشوار است.روش های مرسوم یادگیری ماشین روی داده های بزرگ ضعیف عمل میکنند. این پایگاههای داده معمولا برای لود کامل در داخل حافظه های کامپیوتر ،خیلی بزرگ هستند.علاوه بر ان اگر یک سیستم موازی عظیم وجود نداشته باشد ، زمان اجرای روش های متداول روی پایگاه های داده بزرگ خیلی زیاد است .

در این مقاله ما یک روش گروهی ELM موازی بر اساس شبکه M³ را برای مقابله با چالش داده های بزرگ پیشنهاد میدهیم که  نامیده میشود.علاوه بر بازده بزرگی که از موازی سازی بدست میاید این روش پروژه های کلاس بندی نامتعادل را حل میکند و با تفکیک مساله نامتعادل را به یک مساله متعادل تبدیل میکند. برای آزمایش دقت و مقیاس بندی روش پیشنهادی ،محدوده وسیعی از پروزه های کلاس بندی به کار برده شده است.

متن این مقاله به صورت زیر است: اول مقالات مرتبط در بخش 2 بازبینی شده است .سپس ELM و شبکه M³ در بخش 3 و 4 معرفی شده اند.بعد  پیشنهادی در بخش 5 تجزیه و تحلیل شده است.نتایج تجربی و تجزیه وتحلیل در بخش 6 ارائه شده است. در نهایت نتیجه گیری و کار آینده در بخش 7 آورده شده است.

توجه:

• برای دانلود فایل word کامل ترجمه لطفا اقدام به خرید فرمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.