کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

یک روش طبقه بندی جدید تفسیر‌پذیر با استفاده از TabNet و الگوریتم بهینه‌سازی Harris Hawks

نویسندگان :

علی اصغری¹ عباس برزگری نژاد²

1- موسسه آموزش عالی شفق تنکابن 2- موسسه آموزش عالی شفق تنکابن

کلمات کلیدی :

بهینه سازی،طبقه بندی،یادگیری ماشین

چکیده :

در این پژوهش، یک روش ترکیبی جدید برای طبقه‌بندی داده‌های جدولی ارائه شده است که بر پایه‌ی ترکیب شبکه‌ی عمیق TabNet و الگوریتم فراابتکاری شاهین‌های هریس (HHO) بنا شده است. هدف این روش، دستیابی هم‌زمان به دقت بالا، قابلیت تعمیم و تفسیرپذیری مدل در مسائل طبقه‌بندی است. در چارچوب پیشنهادی، TabNet به‌عنوان طبقه‌بند اصلی عمل می‌کند و با بهره‌گیری از مکانیزم توجه ترتیبی، امکان شناسایی ویژگی‌های مؤثر را فراهم می‌سازد. در همین حال، نسخه‌ی اصلاح‌شده‌ای از الگوریتم شاهین‌های هریس برای بهینه‌سازی هم‌زمان انتخاب ویژگی‌ها و تنظیم پارامترهای معماری شبکه به کار رفته است. هر راه‌حل در جمعیت الگوریتم، ترکیبی از نگاشت دودویی ویژگی‌ها و بردار پارامترهای شبکه است و بر اساس عملکرد واقعی مدل آموزش‌یافته ارزیابی می‌شود. افزون بر این، یک تابع تبدیل تطبیقی برای نگاشت خروجی‌های پیوسته به فضای دودویی طراحی شده تا تعادل میان جست‌وجوی سراسری و محلی حفظ گردد. نتیجه‌ی هم‌افزایی میان سازوکارهای کاوش و بهره‌برداری الگوریتم HHO و ساختار قابل‌تفسیر TabNet، مدلی فراهم کرده است که علاوه بر دقت بالا، دید روشنی از اهمیت نسبی ویژگی‌ها ارائه می‌دهد. نتایج آزمایشات روی مجموعه‌داده‌های مرجع نشان می‌دهد که روش پیشنهادی از نظر دقت، پایداری و شفافیت عملکرد برتر از مدل‌های کلاسیک و فراابتکاری موجود است و می‌تواند به‌عنوان الگویی مؤثر برای تحلیل داده‌های پیچیده‌ی جدولی در حوزه‌های مختلف مورد استفاده قرار گیرد.