بازسازی داده‌های ناقص با استفاده از مدل‌های انتشار هدایت‌شده با گراف در داده‌های جدولی و سنسوری

ستاره ثمربخش تهرانی1 نگار خداوردی2 ندا تیرانداز3 پانیذ زریوند4

چکیده :
وجود داده‌های ناقص یکی از چالش‌های مهم در تحلیل داده، یادگیری ماشین و سامانه‌های تصمیم‌یار است؛ زیرا می‌تواند موجب کاهش دقت مدل‌ها، تخریب ساختار آماری داده و ایجاد سوگیری در نتایج شود. روش‌های کلاسیک بازسازی داده، مانند جایگزینی با میانگین و KNN، اگرچه ساده و کم‌هزینه‌اند، اما معمولاً در مدل‌سازی روابط غیرخطی و وابستگی‌های ساختاری میان نمونه‌ها عملکرد محدودی دارند. در این پژوهش، چارچوبی مبتنی بر مدل انتشار هدایت‌شده با گراف برای بازسازی داده‌های ناقص پیشنهاد می‌شود که در آن توانایی مدل‌های انتشار در یادگیری توزیع داده با اطلاعات ساختاری استخراج‌شده از گراف شباهت ترکیب می‌گردد. در این روش، ابتدا داده‌ها نرمال‌سازی شده و مقادیر گمشده مصنوعی با نرخ‌های ۱۰، ۲۰، ۳۰ و ۴۰ درصد ایجاد می‌شوند. سپس گراف KNN میان نمونه‌ها ساخته شده و از ساختار همسایگی برای هدایت فرایند بازسازی استفاده می‌شود. ارزیابی اولیه بر روی مجموعه‌داده Energy Efficiency انجام شد و عملکرد روش‌ها با معیارهای MSE، MAE و RMSE سنجیده گردید. نتایج نشان داد که در نرخ ۲۰ درصد داده گمشده، روش Mean Imputation مقدار MSE برابر 0.1286، روش KNN مقدار 0.0809، خودرمزگذار مقدار 0.0514 و Diffusion بدون گراف مقدار 0.0565 به‌دست آوردند. همچنین در نرخ ۴۰ درصد داده گمشده، MSE روش Mean برابر 0.1279، KNN برابر 0.0934، خودرمزگذار برابر 0.0617 و Diffusion بدون گراف برابر 0.0683 بود. این یافته‌ها نشان می‌دهد که روش‌های یادگیری عمیق نسبت به روش‌های کلاسیک توانایی بیشتری در بازسازی مقادیر گمشده دارند و مدل انتشار، حتی بدون استفاده از گراف، نسبت به KNN و Mean عملکرد بهتری ارائه می‌دهد. بر این اساس، استفاده از هدایت گرافی در مدل انتشار می‌تواند با بهره‌گیری از شباهت ساختاری نمونه‌ها، مسیر مؤثری برای بهبود دقت بازسازی داده‌های ناقص در داده‌های جدولی و سنسوری فراهم کند.

کلمات کلیدی : داده‌های ناقص بازسازی داده مدل انتشار گراف شباهت knn خودرمزگذار داده‌های جدولی energy efficiency


زبان مقاله : فارسی
محور مقاله : محورهای نظری هوش مصنوعی
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABKDZK
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABKDZK

سایر مقالات محل انتشار
  1. A Study on Design Understandability and Interaction of the therapy-specific Robots
  2. طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتی‌ژن
  3. طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
  4. یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکه‌های خودرویی شهرهای هوشمند با استفاده از داده‌های ترافیکی شبکه سلولی
  5. An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
  6. تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکه‌های عصبی
  7. Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
  8. ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
  9. کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
  10. Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
  11. Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
  12. تحلیل آینده‌پژوهانه هم‌گرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
  13. نقش تحول دیجیتال در خدمات کتابخانه‌های عمومی برای توان‌یابان جسمی و ذهنی
  14. Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
  15. Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems