همه اشتباهات برابر نیستند

عنوان همه اشتباهات برابر نیستند
نویسنده شنسوی، م.، سالکی، مریم، جولیه، س.، آیدوغان، ریحان، رید، جی.
تاریخ انتشار: 2020
محل انتشار - کتابخانه دیجیتال ACM
موضوع یادگیری حساس به هزینه، یادگیری عمیق، ریسک، عدم اطمینان
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-145037518-4
شماره ثبت 5f32a648-8b02-4e02-beb0-ef4ce491f1a3
محل کتابخانه علوم کامپیوتر
تاریخ 2020
متن نمونه در بسیاری از وظایف، طبقه بندی کننده ها نقش اساسی در نحوه رفتار یک عامل دارند. اکثر عوامل منطقی داده های حسگر را از محیط جمع آوری می کنند، آن ها را طبقه بندی می کنند و بر اساس آن طبقه بندی عمل می کنند. اخیراً، شبکه‌های عصبی عمیق (DNN) به دلیل عملکرد عالی خود به رویکرد غالب برای توسعه طبقه‌بندی‌کننده تبدیل شده‌اند. هنگام آموزش و ارزیابی عملکرد DNN ها، معمولاً فرض می شود که هزینه تمام خطاهای طبقه بندی اشتباه برابر است. با این حال، بعید است که این در عمل درست باشد. پیش‌بینی‌های طبقه‌بندی نادرست می‌تواند باعث شود که یک نماینده اقدامات نامناسبی انجام دهد. هزینه های این اقدامات می تواند نامتقارن باشد، از یک عامل به عامل دیگر متفاوت است و به زمینه بستگی دارد. در این مقاله، ما اهمیت در نظر گرفتن کمیت ریسک و عدم قطعیت را با هم مورد بحث قرار می‌دهیم تا هزینه عوامل ایجاد طبقه‌بندی نادرست با استفاده از طبقه‌بندی‌کننده عمیق را کاهش دهیم.
Cilt 2020
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

همه اشتباهات برابر نیستند

نویسنده شنسوی، م.، سالکی، مریم، جولیه، س.، آیدوغان، ریحان، رید، جی.
تاریخ انتشار 2020
محل انتشار - کتابخانه دیجیتال ACM
موضوع یادگیری حساس به هزینه، یادگیری عمیق، ریسک، عدم اطمینان
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-145037518-4
شماره ثبت 5f32a648-8b02-4e02-beb0-ef4ce491f1a3
محل کتابخانه علوم کامپیوتر
تاریخ 2020
متن نمونه در بسیاری از وظایف، طبقه بندی کننده ها نقش اساسی در نحوه رفتار یک عامل دارند. اکثر عوامل منطقی داده های حسگر را از محیط جمع آوری می کنند، آن ها را طبقه بندی می کنند و بر اساس آن طبقه بندی عمل می کنند. اخیراً، شبکه‌های عصبی عمیق (DNN) به دلیل عملکرد عالی خود به رویکرد غالب برای توسعه طبقه‌بندی‌کننده تبدیل شده‌اند. هنگام آموزش و ارزیابی عملکرد DNN ها، معمولاً فرض می شود که هزینه تمام خطاهای طبقه بندی اشتباه برابر است. با این حال، بعید است که این در عمل درست باشد. پیش‌بینی‌های طبقه‌بندی نادرست می‌تواند باعث شود که یک نماینده اقدامات نامناسبی انجام دهد. هزینه های این اقدامات می تواند نامتقارن باشد، از یک عامل به عامل دیگر متفاوت است و به زمینه بستگی دارد. در این مقاله، ما اهمیت در نظر گرفتن کمیت ریسک و عدم قطعیت را با هم مورد بحث قرار می‌دهیم تا هزینه عوامل ایجاد طبقه‌بندی نادرست با استفاده از طبقه‌بندی‌کننده عمیق را کاهش دهیم.
Cilt 2020
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید