انجمن کامپیوتر ایران

رایانش ابری امکان استفاده از روش‌های نوین در تخصیص منابع را به کاربران خود می‌دهد و این امکان، پیاده‌سازی و استقرار نرم‌افزارهای کاربردی در ابرها را دست‌خوش تغییر کرده است. سیستم مقیاس‌پذیری خودکار فعال، امکان تغییر مقیاس منابع مورد استفاده را به صورت پویا ایجاد می‌کند. کانتینرسازی، یک روش مجازی‌سازی سبک وزن سطح سیستم‌عامل است. استفاده از کانتینرها ریزدانگی تخصیص منابع را افزایش می‌دهد. به همین دلیل از زمان معرفی کانتینرها استفاده از آن‌ها در پیاده‌سازی نرم‌افزارهای کاربردی رو به افزایش است. استفاده از روش‌های مقیاس‌پذیری خودکار فعال، به ما کمک می‌کند تا تخصیص منابع در دسترس را با توجه به تقاضای کاربران و به صورت بهینه در اختیار آنها قرار دهیم. در این مقاله سیستم‌های مقیاس‌پذیری خودکار را معرفی می‌کنیم و روش‌های متنوع پیاده‌سازی آن‌ها را با رویکرد فعال بررسی می‌کنیم.

در سال‌های اخیر روش‌هایی برای تحلیل میزان نشت اطلاعات در روند طراحی یک تراشه خاص منظوره‌ ارائه شده است. با این حال تا کنون کمتر به ارائه روش‌هایی به منظور درج مقاوم‌سازی موضعی کارآمد در نقاط آسیب‌پذیر مدار پرداخته شده است. در اين مقاله، یک روش برای نقاب‌گذاری در سطح دروازه‌ها و سیگنال‌های دارای نشت غیرمجاز کانال جانبی توان مصرفی با عنوان «نقاب‌گذاری مزدوج» ارائه شده است. این روش به نحوی طراحی شده که مناسب استفاده در ابزارهای طراحی خودکار باشد و بتواند به صورت ریزدانه جهت نقاب‌گذاری در مقیاس یک دروازه یا سیگنال استفاده شود تا امکان ایجاد یک توازن کارآمد از نظر امنیت-هزینه را برآورده سازد. این روش قابل استفاده در مقیاس‌های مختلف است و از مزایای آن عدم نیاز به تغییرات ساختاری اساسی در تراشه خاص منظوره مورد ارزیابی و مقاوم‌سازی امنیتی است. نتایج حاصل از پیاده‌سازی و سنتز نشان‌ می‌دهند که دروازه‌های «نقاب‌گذاری‌شده مزدوج» توان بهبود مقاومت مدار در برابر حملات کانال جانبی در مقیاس ریزدانه را دارا هستند و از آنها می‌توان در مقیاس‌های متنوع جهت حفظ توازن بین امنیت کانال جانبی توابع هزینه طراحی نظیر فضای سیلیکون مصرفی استفاده نمود.

امروزه محاسبات ابر و مه به منظور افزایش قدرت عملکرد اینترنت اشیا توسعه یافته‌اند و زمان‌بندی درخواست‌های وظایف اینترنت اشیا مبتنی بر محاسبات مه-ابر نقش کلیدی را در جهت پاسخ به این درخواست‌ها ایفا می‌کند. یک زمان‌بندی وظیفه بهینه می‌تواند عملکرد سیستم را بهبود بخشد. لذا این پژوهش یک روش زمان‌بندی درخواست‌های وظایف اینترنت اشیا بر روی منابع را برای بهبود کیفی خدمات اینترنت اشیا مبتنی بر محاسبات مه-ابر به منظور کاهش زمان تکمیل درخواست‌های وظایف اینترنت اشیا و کاهش زمان توان عملیاتی سیستم با استفاده از الگوریتم بهینه‌سازی شاهین هریس دو هدفه به منظور کاهش تاخیر کلی پاسخ به درخواست‌های وظایف پیشنهاد می‌دهد. سپس، عملکرد الگوریتم زمان‌بندی پیشنهادی برای حل مساله زمان‌بندی وظایف با استفاده از مجموعه داده‌های مختلف ارزیابی گشته و مقایسه‌ای بین الگوریتم پیشنهادی و سه روش فراابتکاری معروف برای بررسی عملکرد انجام شده است. طبق آزمایشات انجام شده، روش پیشنهادی توانسته است زمان تکمیل درخواست‌های وظایف اینترنت اشیا و زمان توان عملیاتی را کاهش دهد و در نتیجه تاخیر ناشی از پردازش وظایف را کاهش و نرخ عملکرد سیستم را افزایش دهد.

با افزایش تراکنش‌های بانکی، که عمدتاً تراکنش‌های کارتی هستند و در بیشتر موارد از طریق کانال‌های اینترنتی انجام می‌شوند، تراکنش‌های ناهنجار و سوءاستفاده نیز افزایش یافته است. از آنجا که الگوی رفتاری تراکنشی هر شخص در طول زمان به دلایل مختلف دچار تغییرات می‌شود، مسأله‌ای به نام رانش مفهوم شکل می‌گیرید که سبب کاهش دقت الگوریتم‌های یادگیری ماشین که برای کشف ناهنجاری به کار گرفته می‌شوند خواهد شد. استفاده از مشخصه‌های آماری رفتاری مشتریان در الگوریتم‌های هوشمند قادر به حل مشکل رانش مفهوم و ارتقای دقت الگوریتم‌ها نیست از اینرو طول عمر مفید الگوریتم‌های هوشمندی که برای کشف ناهنجاری رفتاری ایجاد می‌شوند بسیار کوتاه خواهد بود. برای حل این مشکل و بهبود شناسایی ناهنجاری‌ها و مدیریت رانش مفهوم، در این تحقیق از مدلی بر اساس پنجره کشویی در 6 الگوریتم یادگیری ماشین بانظارت استفاده و کارایی و دقت آنها با هم مقایسه شده است. مجموعه داده استفاده شده در این مقاله مربوط به تراکنش‌های مشتریان یکی از بانک‌های ایران در یک دوره 7 ماهه است. طبق نتایج به دست آمده بعد از اجرای مدل، در کشف ناهنجاری‌های کارت‌ها بهبود ایجاد شده است و الگوریتم جنگل تصادفی بیشترین دقت، F1_Score و AUC_Score را نسبت به سایر الگوریتم‌ها نشان داده است.

شبکه نرم‌افزار محور برای ایجاد تغییر در معماری شبکه‌های سنتی جهت رسیدن به شبکه‌های هوشمند به وجود آمده است. اخیراً این نوع شبکه‌ها، به دلیل انعطاف‌پذیری در مدیریت سرویس‌های شبکه و کاهش هزینه‌های عملیاتی در بین سازمان‌ها محبوبیت خاصی پیداکرده‌اند. در معماری این نوع شبکه‌ها، بخش کنترل از بخش داده جدا شده و به‌صورت متمرکز سوئیچ‌های داده را مدیریت می‌کند. با توجه به گسترش روزافزون حملات در شبکه‌های کامپیوتری و اهمیت امنیت اطلاعات و لزوم ارائه درست سرویس‌ها از طریق این شبکه‌ها، یکی از مسائل مهم در شبکه‌های کامپیوتری امنیت است. وجود کنترل‌کننده متمرکز در شبکه نرم‌افزار محور مزایای قابل‌توجهی را نسبت به شبکه‌های سنتی به‌ویژه در زمینۀ تشخیص حملات فراهم می‌کند. در این مقاله، با استفاده از ساختار داده CRT-RS و رابطه آماری فاصله هلینگر الگوریتم جدیدی برای تشخیص حملات DNS Amplification ارائه شده است. استفاده از طرح (اسکچ) برگشت‌پذیر (CRT-RS) که توانایی ادغام و فشرده‌سازی ترافیک شبکه و بازیابی معکوس آدرس‌های منبع غیرعادی را دارد، موجب برطرف شدن مشکل مصرف منابع زیاد هنگام بازیابی آدرس‌های مخرب می‌شود. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی قادر است حملات DNS Amplification را در زمان واقعی با دقت و صحت مناسب تشخیص دهد، در حالی‌ که تأثیر محدودی بر عملکرد کاربران عادی داشته باشد.

امروزه از جمع‌سپاری به‌عنوان یکی از عوامل مهم برای انجام کارها توسط افراد دارای تجربه و مهارت کافی، در مدت زمان مناسب یاد می‌شود. جمع‌سپاری اغلب برای حل مسائلی استفاده می‌شود که حل آن مسائل توسط هوش مصنوعی امکان‌پذیر نیست و یا مقرون‌به‌صرفه نمی‌باشد. یکی از عوامل مهم در بدست آوردن نتیجه مناسب برای کار برون‌سپاری شده شفافیت کار است. هرچه این شفافیت بیشتر باشد، کارجو دید و پیش‌زمینه بهتری از کار، خواسته‌های کارفرما و نحوه انجام آن بدست می‌آورد که نتیجه این دید بهتر افزایش بهره‌وری کارجو و سپس بدست آوردن نتایج بهتر می‌شود. در این پژوهش به بررسی اثر شفافیت کار بر بدست آوردن پاسخ‌های ارائه شده در سیستم‌های پرسش‌و‌پاسخ پرداخته‌ایم و مدلی مبتنی بر روش های آماری و فازی برای محاسبه این شفافیت ارائه کرده‌ایم. همچنین عملکرد این مدل را در مقایسه با روش‌های موجود ارزیابی نموده و نشان داده‌ایم که عملکرد مدل ما در ارزیابی شفافیت سؤال که منجر به احتمال بالاتر پاسخ گرفتن سؤال می‌شود بهتر از روش‌های مشابه است.

هدف از بازیابی تصویر، جستجوی تصویر خاص از مجموعه داده‌های تصویری می‌باشد. رویکردهای سنتی بازیابی تصویر مبتنی بر متن و محتوا دارای محدودیت شکاف معنایی می‌باشند. آنها نمی‌توانند درک بصری انسان از تصاویر را منعکس کنند. در این پژوهش برای کاهش فاصله معنایی، یک مدل بازیابی تصویر مبتنی بر شبکه عصبی عمیق و K نزدیکترین همسایه پیشنهاد شده است. در مدل پیشنهادی از شبکه عصبی کانولوشن برای استخراج ویژگی تصاویر استفاده شده است. این شبکه با استفاده از لایه‌های کانولوشنی، ویژگی‌های عمیقی از تصاویر را استخراج می‌نماید. شباهت تصویر فرضی با تصاویر آزمون در مجموعه داده‌های تصویری مورد استفاده توسط روش K نزدیکترین همسایه و با استفاده از معیار فاصله اقلیدسی محاسبه می‌شود. برای ارزیابی شبکه از معیار دقت و خطای شبکه استفاده شده است. روش پیشنهادی در مقایسه با روش‌های مشابه علاوه بر پیچیدگی کمتر، دارای دقت 98 درصد می‌باشد.

از آنجایی که بیش از 2/3 کره زمین را آب تشکیل داده است، بنابراین بهره‌برداری از اطلاعات آن برای انسان بسیار حائز اهمیت است. در حال حاضر، بهره‌برداری و جمع‌آوری اطلاعات از منابع دریایی، با استفاده از فناوری شبکه‌های حسگر بی‌سیم زیرآب (UWSN) و در راستای آن IoUT صورت می‌گیرد. ارائه خدمات مسیریابی مقیاس‌پذیر و کارآمد در شبکه‌های حسگر بی‌سیم زیرآب به دلیل ویژگی‌های منحصر به فرد آن‌ها، بسیار چالش برانگیز است. یکی از موضوعات چالش برانگیز این شبکه‌ها، بحث مصرف انرژی است زیرا گره‌ها از باتری برای تامین انرژی استفاده می‌کنند. در این مقاله طرحی براساس شبکه‌های نرم‌افزار محور مرسوم به (SDN) را پیشنهاد شده‌است، که در آن از دو مکانیزم برای غلبه بر چالش‌های شبکه‌های IoUT بهره برده‌ایم. اولی استفاده از مکانیزم خواب/بیدار برای گره‌هایی است که انرژی باقی‌مانده آنها به حد آستانه رسیده به‌گونه‌ای که حداکثر پوشش منطقه‌ای حفظ شود. علاوه‌ بر این برای پیدا کردن بهترین مسیریابی بهینه و بهبود تاخیر از الگوریتم ترکیبی کلونی مورچگان و یادگیری تقویتی Q-learning استفاده می‌شود، نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی از برخی از جنبه‌ها، عملکرد بهتری نسبت به سایر روش‌ها دارد.

در اين مقاله، با استفاده از مدل بلوک تصادفی و پذیرش مدل قطبی شدن عقاید توسط یادگیری از بازخورد‌های اجتماعی تاثیر انجمن‌ها بر روی فرایند دوقطبی شدن عقاید در جامعه بررسی شده‌است. با توجه به اهمّیت قطبی شدن جامعه و تاثیری که بر روی عملکرد جوامع و تبیین تضادهای قومیتی دارد. با استفاده از مدل بلوک تصادفی نشان داده ‌شده‌است که علاوه بر تاثیر انجمنی بودن شبکه‌های اجتماعی با توجه به افزایش اتاق‌های اکو بر روی قطبی شدن عقاید در جامعه، مساله حائز اهمیت دیگر اندازه این انجمن‌هاست. افزایش تعداد انجمن‌ها همیشه احتمال دو‎قطبی را افزایش نمی‌دهد بلکه از یک آستانه‌ای به بعد با افزایش تعداد انجمن‌ها و کاهش اندازه آن احتمال دوقطبی شدن عقاید در جامعه کاهش می‌یابد قدرت انجمن‌های کوچک برای تبدیل جامعه به دوقطبی کافی نبوده و شکاف بین انجمن‌های بزرگ و تبدیل آن‌ها به انجمن‌های کوچکتر امکان کاهش احتمال دوقطبی را به همراه دارد.

در سالیان اخیر، تمایل گسترده به استفاده از وسایل هوشمند و همچنین مدیریت محیط‌های اتوماسیون صنعتی موجب رشد شبکه‌های حسگر بی‌سیم و اینترنت اشیاء شده است. در اینترنت اشیاء، مجموعه بسیار زیادی از حسگرها به منظور کنترل و گردآوری اطلاعات در محیط توزیع می‌شوند تا قابلیت اتخاذ تصمیم هوشمند را فراهم سازند. امروزه این نوع شبکه‌ها، برای کاربردهای مختلف استفاده می‌شوند. یکی از اهداف مهم در صنعت 4، استفاده از فناوری‌های شبکه‌ی بی‌سیم برای اینترنت اشیاء صنعتی است تا از این رهگذر بتوان فرآیندهای صنعتی را بصورت کارآمدتر نظارت کرد. یکی از الزامات ارتباطات در اینترنت اشیاء صنعتی تأمین قابلیت اطمینان تا 99.999 درصد می‌باشد با این حال افزایش طول عمر شبکه، کاهش مصرف انرژی و عدم عبور تاخیر از میزان بیشینه تعیین شده از اهداف اصلی پژوهش در این حوزه است. یکی از استاندارهای پراستفاده در اینترنت اشیاء صنعتی 6TiSCH است. در این پژوهش هدف این است که روشی بین لایه‌ای با درنظر گرفتن توأمان زمانبندی و مسیریابی در شبکه‌های مبتنی بر استاندارد TSCH و RPL در محیط‌هایی با چندین چاهک ارائه گردد. همچنین هدف این است که روش ارائه شده با در نظر گرفتن محدودیت‌های اینترنت اشیاء صنعتی بتواند نیازمندی‌های برنامه‌های کاربردی را در این حوزه برآورده کند.

شبکه‌های بین خودرویی فناوری‌های نوظهوری هستند که عملکردشان وابسته به در دسترس بودن اطلاعات دقیق و به‌روز وسایل نقلیه است. وسايل نقلیه‌اي که اطلاعات‌ غیرعادي منتشر می‌کنند مي‌توانند در عملکرد شبکه‌ی بین خودرویی اختلال ايجاد کنند. بنابراین تشخیص چنین بدرفتاری‌هایی برای حفظ امنیت شبکه‌ی بین خودرویی در برابر مهاجمان، حیاتی است. در اکثر طرح‌های تشخیص بدرفتاری گذشته توجه کمی به استفاده از ویژگی‌های نظریه‌ی جریان ترافیک شده است. توجه به این نظریه می‌تواند ابزاري قوی برای ارزیابی صحت اطلاعات زمینه‌ی منتشرشده در شبکه‌ی بین خودرویی فراهم کند. برای بهبود چالش‌های طرح‌های تشخیص بدرفتاری گذشته، ما استفاده از نظریه‌ی جریان ترافیک را برای تشخیص بدرفتاری‌های ناشی از ارسال اطلاعات غیرعادی در شبکه‌های بین خودرویی پیشنهاد می‌کنیم. در طرح پیشنهادی، علاوه بر واحد‌های کنار جاده‌ای، واحد‌های محاسباتی روی وسایل نقلیه نيز به‌عنوان منابع قابل‌اطمینان اطلاعات در نظر گرفته مي‌شوند که این موضوع به کاهش هزینه‌های ناشی از پیاده‌سازی سراسری واحدهای کنار جاده کمک می‌کند. نتایج ارزیابی این طرح در انواع شرایط ترافیکی و با تعداد مختلف گره‌های مخرب نشان‌دهنده‌ی کاهش نرخ هشدار‌های کاذب و بهبود دقت تشخیص است.

فضای مجازی و اینترنت جزئی جدایی‌ناپذیر از زندگی انسان‌ها شده است و ظهور رسانه‌های ارتباطی و پیام‌رسان‌های جدید روی بستر اینترنت زندگی انسان‌ها و ارتباطات آنها را تحت تاثیر قرار داده است. اگرچه اینترنت مزایای زیادی به همراه دارد، اما از جنبه‌های تاریک‌ و نقاط ضعف آن نیز نباید غافل بود. امنیت ارتباط برخط کودکان و نوجوانان یکی از مهمترین چالش هایی است که با فراگیر شدن پیام‌رسان‌ها مورد توجه قرار گرفته است. نظارت مستمر بر ارتباط میان کاربران و محتوای تبادل شده در پیام‌های ارتباطی از اهمیت بالایی برخوردار است. خودکارسازی و هوشمندسازی نظارت بر ارتباطات و محتوای پیام‌ها، بدون استفاده از عامل‌های هوشمند سخت و دشوار است. به همین منظور می‌توان با طراحی عامل‌های هوشمند بر تبادل پیام‌ها به صورت خودکار نظارت نمود و در صورت مواجه با آسیب از طرف افراد سودجو واکنش‌های هوشمندانه‌ای از خود نشان داد. در این پژوهش تلاش می‌گردد با ارائه یک معماری و سیستم نمونه اولیه گام موثری برای امن‌سازی تعامل کودکان در محیط‌های برخط برداشته شود. برای غلبه بر چنین چالش پیچیده‌ای، تلفیق انواع فن‌آوری‌های مبتنی بر هوش مصنوعی و سیستم‌های خودمختار ضروری است. سیستم و معماری مورد بحث در این پژوهش در محیط توسعه عامل جاوا (جید) شبیه‌سازی شده و در سناریوهای متعدد با کارهای مشابه مورد مقایسه قرار گرفته است. نتایج مقایسه نشانگر برتری روش پیشنهادی در مقایسه با کارهای مشابه است.

شبکه‌های عصبی عمیق-Q (DQN) نمونه‌ای از یادگیری تقویتی عمیق مبتنی بر یادگیری Q هستند که در آن تابع Q نمایان‌گر ارزش تمامی کنش‌های یک کارگزار در تمامی حالت‌های یک محیط است. یادگیری این شبکه به دلیل نگاه خوش‌بینانه کارگزار در تخمین حالت‌های آتی سبب شده است تا کارگزار مبتنی بر DQN ناپایدار و به همراه بیش‌برازش باشد. راه‌حل پیشنهادی در این مقاله ارائه نمودن شبکه به‌روزرسان انتخابی عمیق است که در آن مشکل بیش‌برآورد ارزش تخمینی آینده بهبود یابد. در این رویکرد، نحوه به‌روزرسانی کارگزار در ابتدای یادگیری نگرش محتاطانه‌تری نسبت به تخمین ارزش‌ها دارد و با گذر زمان به رویکرد خوش‌بینانه یادگیری Q تغییر مسیر خواهد داد. این امر به آن جهت است که تخمین ارزش حالت‌های آتی در ابتدای یادگیری قابل اتکا نیست و استفاده از آن در محیط‌های با هزینه بالا روند یادگیری را ناپایدار می‌کند. نتایج حاصل برای دو محیط شبکه تنظیم‌کننده ژن و پاندول معکوس نشان می‌دهد که رهیافت پیشنهادی علاوه بر کاهش بیش‌برآورد تخمین ارزش، پاداش بیشتری را نسبت به DQN جمع‌آوری می‌نماید.

نظرات هرز به نظراتی گفته می‌شود که به قصد تبلیغ و یا تخریب یک محصول و یا برند نوشته می‌شوند. این نظرات باعث گمراهی افراد در خرید می‌شوند و تصمیم‌گیری آگاهانه را دشوار می‌سازند. تحقیقات زیادی برای تشخیص این نوع نظرات در زبان فارسی صورت نگرفته و تحقیقات موجود نیز از روش‌های یادگیری ماشین کلاسیک استفاده کرده‌اند. در این تحقیق مدلی ترکیبی با استفاده از 4 شبکه حافظه طولانی کوتاه مدت دو طرفه (BiLSTM) ارائه شده است که با استفاده از ویژگی‌های متن نظر و قطبیت نظرات آموزش می بیند. با توجه به عدم وجود قطبیت نظرات در برخی مجموعه داده‌ها، از یک مدل تحلیل احساسات برای استخراج قطبیت نظرات از روی متن آن‌ها، استفاده شده است. با توجه به اینکه مدل ارائه شده، برای یادگیری تنها به متن نظر نیاز دارد و از فراداده ها استفاده نمی کند، نظرات هرز تکی (نظراتی که نویسنده‌ی آن‌ها تنها یک نظر نوشته است) نیز با استفاده از این مدل قابل تشخیص هستند. عملکرد مدل ارائه شده در مقایسه با روش‌های موجود افزایش چشمگیری داشته است؛ به گونه‌ای که بر روی مجموعه داده Digikala که پرکاربردترین مجموعه داده‌ی زبان فارسی در این حوزه است، دقت 87.7 به دست آمد.

رای‌گیری روشی برای تصمیم‌گیری جمعی یا ابراز عقیده در میان یک گروه، یک جلسه یا انتخاب‌کنندگان است. رأی‌گیری معمولاً در پی بحث‌ها و مبارزات انتخاباتی است. امروزه در تمام دنیا از سیستم‌های انتخابات الکترونیکی تمام مکانیزه برای برگزاری انتخابات استفاده می‌گردد. یک از چالش‌های مهم در انتخاب الکترونیکی تمام مکانیزه برقراری امنیت در تمامی سطوح و مراحل انتخابات است. در این نوع از انتخابات پروتکل رأی‌گیری با امنیت اثبات‌پذیر که دارای ویژگی‌های حریم خصوصی، وارسی‌پذیری انتها به انتها، گمنام‌سازی باشد بسیار حائز اهمیت است. در این مقاله ابتدا پروتکل رأی‌گیری نمونه تصادفی آلتیا، مورد بررسی قرار گرفت. سپس ضمن شناسایی و معرفی نقاط ضعف آن، پروتکل جدید رأی‌گیری نمونه تصادفی به نام آلتیا پلاس بر اساس پروتکل آلتیا و به‌منظور رفع آسیب‌پذیری‌های آن طراحی و ارائه گردید. در ادامه به‌منظور بررسی کارآمدی روش پیشنهادی، پروتکل ارائه شده مورد آزمون قرار گرفت. نتایج به‌دست‌آمده نشانگر کارآمدی پروتکل‌های ارائه شده نسبت به نسخه‌های موجود و مورداستفاده در انتخابات الکترونیکی است.

فسفوریلاسیون یكی از مهمترین تغییرات پس از ترجمة سلول است که طی این فرآیند گروه‌های فسفری به جایگاه‌های خاصی از آمینواسیدها وصل می‌شوند. فسفریلاسیون نقش مهمی در اهداف دارویی و فرآیندهای بیولوژیكی بدن دارد. در سا‌ل‌های اخیر روش‌های محاسباتی و یادگیری ماشینی به عنوان اصلی‌ترین روش‌ها برای پیش‌بینی جایگاه‌ها استفاده شده‌اند. روش‌های محاسباتی برای پیش‌بینی جایگاه فسفوریلاسیون نقش مهمی در مطالعات عملكرد پروتئین‌ها دارند. این روش‌ها عموما از استخراج ویژگی‌های متفاوت برای حل مساله استفاده می‌کنند. از طرفی روش‌های یادگیری ماشینی به دو رویکرد تقسیم شده اند: رویکرد کلاسیک و رویکرد یادگیری انتها به انتها. در این مقاله ابتدا پایگاه‌ داده‌های اصلی موجود برای پیش‌بینی جایگاه فسفوریله مشخص و برررسی شده است. سپس روش‌های استخراج ویژگی در کنار روش‌های محاسباتی و یادگیری ماشینی مقایسه و تشریح شده است.

در تحلیل چهره یکی از مهم‌ترین عناصر شناسایی، تخمین زاویۀ سر است که میزان تمرکز فرد را نشان می‌دهد؛ لیکن یکی از موانع اصلی برای این تخمین، هزینة برچسب‌گذاری تصاویر است. یکی از راه‌حل‌های جبران کمبود برچسب‌ها، استفاده از روش‌های خودنظارتی است. روش‌های خودنظارتی می‌توانند از داده‌های بدون برچسب، ویژگی‌های مناسب را برای وظیفۀ اصلی استخراج کنند. این مقاله سعی دارد که تمایز استفاده از روش‌های یادگیری خودنظارتی برای تخمین زاویة سر را نشان دهد. به طور کلی دو رویکرد برای استفاده از روش‌های خودنظارتی وجود دارد: الف. پیش آموزش وزن‌های شبکه؛ب. استفاده به عنوان یک وظیفة کمکی در کنار یادگیری بانظارت. در این مقاله با طراحی معماری یادگیری چند وظیفه‌ای ترکیبی و مقایسة آن با روش خودنظارتی «چرخاندن» و «پازل کردن» سعی شده تأثیر استفاده از روش‌های خودنظارتی بررسی شود. نتایج نشان داد که استفاده از روش چرخاندن برای پیش آموزش وزن‌ها و پازل کردن به‌عنوان وظیفة خودنظارتیِ کمکی برای تخمین زاویة سر، بهترین عملکرد را داراست. در این حالت میانگین خطا در مقایسه با روش بانظارت 13 درصد کاهش می‌یابدکه قابل مقایسه با کارآمدترین روش‌ها است.

شناسایی پیوند بین پروتئین‌ها در شناخت بیماری‌های ناشناخته و طراحی داروها نقش اساسی دارد. این پیوندها شبکه تعاملی پروتئین-پروتئین را شکل می‌دهند که نوعی از شبکه‌های پیچیده است که در آن گره‌ها پروتئین‌ها و یال‌ها تعاملات بین پروتئین‌ها را نمایش می‌دهند. در حال حاضر پیوندهای شناخته شده با استفاده از روش‌های پیش‌بینی پیوند، بخش کوچکی از کل ارتباط‌های بین پروتئین‌ها را در بر می‌گیرند؛ از طرفی این روش‌ها اغلب برای شبکه‌های پیچیده ارائه شده‌اند و ویژگی خاص شبکه‌های تعاملی پروتئین-پروتئین را در نظر نمی‌گیرند. در این مقاله یک روش پیش‌بینی پیوند با استفاده از تعبیه گراف و اطلاعات ساختاری شبکه‌های تعاملی پروتئین-پروتئین ارائه می‌شود که ویژگی خاص این شبکه‌ها را در نظر می‌گیرد. در ابتدا با ترکیب مجاورت مرتبه اول و سوم یک ماتریس احتمال انتقال به دست می‌آید، سپس از قدم‌زدن تصادفی برای تولید دنباله‌ای از گره‌ها استفاده می‌شود و در نهایت این دنباله‌های به‌دست‌آمده به مدل Skip-Gram داده می‌شوند تا بردار ویژگی هر گره استخراج شده و برای پیش‌بینی پیوند از آن‌ها استفاده شود. روش پیشنهادی بر روی دو مجموعه‌داده واقعی شبکه‌های تعاملی پروتئین‌ها مورد ارزیابی قرار گرفت. نتایج حاصل نشان‌دهنده بالا بودن کارایی و دقت روش پیشنهادی نسبت به روش‌های مورد مقایسه است.

در قرن حاضر شاهد تولید روزافزون فیلم‌های سینمایی مختلف در دسته‌بندی و ژانرهای متفاوت هستیم. بسیاری از این تولیدات خارج از ارزش‌هایی است که متناسب با مقتضیات سنی یک کودک یا نوجوان باشد. بسیاری از والدین نگران فرزندان خود در مواجه با این تولیدات هستند. بنابراین، طبقه‌بندی صحیح فیلم می‌تواند راهنمای مناسبی برای والدین باشد. در حال حاضر سیستم‌های موجود دسته‌بندی و پیشنهادگر فیلم، عوامل کمی و ... را در نظر می‌گیرند توجه کمتری به محتوای فیلم دارند. هدف از این تحقیق استفاده از روش‌های بازیابی اطلاعات برای شناسایی موضوع، ژانر و طبقه‌بندی سنی فیلم‌ها براساس متن آن‌ها است. به‌گونه‌ای که بتوان از این دانش در توصیه فیلم،‌ با توجه به محتوای فیلم و رده‌سنی کاربر بهره گرفت. در این پژوهش از روش‌ مدلسازی موضوعی (LDA) استفاده شده است که با استفاده از کشف روابط پنهان بین واژگان، موضوعات اسناد و درصد مشارکت هر موضوع در هر سند را مشخص می‌کند. از LDA علاوه بر خوشه‌بندی اسناد، برای استخراج ویژگی‌های اسناد استفاده شده‌است، که منجر به کاهش ابعاد داده‌ها نسبت به روشهای دیگر نمایش کلمات (word embedding) می‌شود. کاهش ابعاد داده، موجب بهبود عملکرد مدلهای یادگیری ماشین می‎‌شود. نتایج پیاده سازی نشان می‌دهد که روش پیشنهادی با دقت 93% توانایی تشخیص رده‌سنی کاربر دارد و با دقت 89% در تشخیص ژانر موفق عمل می‌کند.

افزایش اندازه مدل و تعداد پارامترها در شبکه‏‌های عصبی عمیق، از یک سو موجب پیشرفت‏‌های زیادی در عملکرد این شبکه‌‏ها شده و از سوی دیگر باعث بروز چالش‌هایی از قبیل افزایش اندازه حافظه می‌گردد. در هرس مدل، با حذف برخی پارامترهای شبکه، ضمن حفظ دقت مدل، اندازه آن کاهش داده می‏شود. با به‏کارگیری این شبکه‏‌ها در سیستم‌های حساس-از-منظر-ایمنی، تاثیر هرس مدل که به طور سنتی با هدف کاهش اندازه شبکه استفاده می‏‌شود، بر تحمل‌‏پذیری اشکال شبکه‏‌ها مورد سوال جدی قرار گرفته است. در این مقاله، به کمک آزمایش‏‌های گسترده تزریق اشکال، تحلیل جامعی بر میزان تاثیر روش‏‌های مختلف هرس بر تحمل‌‏پذیری اشکال شبکه‌‏های عصبی عمیق ارائه می‌‏شود. مدل اشکال مورد مطالعه، خطاهای نرم واژگونی بیتی است که در حافظه ذخیره‌‏ساز وزن‏‌های شبکه رخ می‏‌دهد و باعث تغییر مقدار وزن‏‌های شبکه می‏‌گردد. باتوجه به نتایج به‌دست‌آمده از آزمایش‏‌های متنوع تزریق اشکال بر روی شبکه AlexNet که به روش‏‌های مختلف هرس شده است، می‏توان نتیجه گرفت که به طور کلی، هرس کردن مدل باعث بهبود تحمل‌‏پذیری اشکال می‏‌شود و می‏‌توان از آن به منظور بهبود تحمل‏‌پذیری شبکه‏‌های عصبی عمیق هم بهره گرفت. از میان روش‏‌های مختلف هرس مدل، هرس وزنی بیشترین میزان بهبود تحمل‌‏پذیری اشکال را دارد.