انجمن کامپیوتر ایران

هدف سامانه‏ هاي پرسش و پاسخ بصري دريافت يک تصوير و يک سوال مرتبط با آن تصوير و ايجاد پاسخ مناسب براي سوال است. در اغلب روش‌‏هاي فعلي، ويژگي‏‌هاي تصوير و سوال به ترتيب با استفاده از شبکه‌‏هاي عصبي کانولوشني و حافظه کوتاه مدت طولاني استخراج شده و پس از ترکيب با هم، پاسخ نهايي توليد مي‏شود. اين روش‌‏ها در عمل توانايي استنتاج بر روي تصوير را ندارند و تنها دانش موجود در مجموعه داده آموزشي را مدل مي‏کنند. به همين منظور، معماري‏‌هاي ماژولار مبتني بر شبکه عصبي معرفي شد. اين معماري شامل دو بخش توليد برنامه و موتور اجرا است. بخش توليد برنامه، سوال ورودي را به يک برنامه که شامل مجموعه‏‌هاي از توابع است، تبديل مي‏کند. اين توابع نحوه قرار گرفتن ماژول‌‏هاي شبکه عصبي لازم براي سوال ورودي را مشخص مي‏کنند. سپس در بخش موتور اجرا، ماژول‏‌ها به ترتيبي که مشخص شده است، بر روي تصوير اجرا خواهند شد و در نهايت پاسخ نهايي توليد مي‏شود. در اين مقاله يک سامانه بهبوديافته پرسش و پاسخ بصري ارائه شده است که در آن از واحدهاي بازگشتي دروازه‏اي و جستجوي محلي به منظور کدگذاري بهتر سوال ورودي استفاده شد است. بررسي‏‌هاي انجام شده بر روي مجموعه داده CLEVR، بهبود سه درصدي در بخش کدگذاري پرسش را نسبت به روش‏‌هاي موجود نشان مي‏دهد.

با رشد فناوري و گسترش ابزارهاي نرم‌افزاري و سخت‌افزاري، حملات عليه رمزهاي قالبي جنبه‌ هاي جديدي يافته است. در بسياري از موارد، مهاجمين به جاي تلاش براي انجام حملات تحليل نظري و محاسباتي، از نقاط ضعف موجود در نحوه پياده‌سازي رمزهاي قالبي استفاده مي‌کنند. بنابراين، طراحي و ارائه روش‌هايي براي پياده‌سازي امن رمزهاي قالبي در شرايطي که مهاجمين داراي دسترسي نامحدود به جزئيات پياده‌سازي هستند (حملات مدل جعبه سفيد)، اهميت فراوان يافته است. گسترش حوزه‌هاي کاربرد اينترنت اشياء در صنايع، ساختمان‌هاي مسکوني، سامانه‌هاي حمل و نقل شهري و ...، اهميت و پيچيدگي تامين امنيت آن را مضاعف ساخته است. در شبکه هاي حسگري بي‌سيم، بسياري از گره‌ها در محيط‌ هاي محافظت نشده قرار داشته و مهاجمين فرصت مناسبي را براي دسترسي به جزئيات تبادل اطلاعات و انجام حملات خود دارند. لذا گره‌هاي يک شبکه حسگري بي‌سيم عمدتا مشمول حملات مدل جعبه سفيد هستند. در اين مقاله، يک روش سخت‌افزاري براي پياده‌سازي امن رمزهاي قالبي به صورت مقاوم در برابر حملات مدل جعبه سفيد ارائه مي‌شود که متناسب با توان پردازشي و ظرفيت حافظه گره‌هاي شبکه حسگري بي‌سيم است.

با گسترش روزافزون اينترنت اشياء، وابستگي مردم به خانه‌هاي هوشمند و سيستم‌هاي امنيتي مرتبط با آن مانند اعلام حريق يا ورود غيرمجاز افزايش يافته است. سيستم‌هاي امنيتي خانه‌هاي هوشمند بايد بتوانند در شرايط بحراني، اقدامات پيشگيرانه براي کاهش خسارت‌هاي مالي و جاني انجام دهند. معماري جديد پيشنهادي به‌صورت دائم فضاي داخلي خانه را بررسي و در صورت بروز تهديد به ساکنين خانه هاي هوشمند هشدار مي دهد و در صورتي که ساکنين خانه هاي هوشمند اقدام مناسبي انجام ندهند و هشدار به سطح بحران برسد، سيستم بطور اتوماتيک اقدام لازم براي کاهش خسارت‌ را انجام دهد.

شبکه‌ي اجتماعي ريسرچ‌گيت(ResearchGate) يک شبکه‌ي اجتماعي علمي است که با ايجاد فضايي تعاملي ميان کاربران، محيطي مناسب را جهت ارتباط، همکاري و مبادله‌هاي علمي براي پژوهشگران سراسر جهان فراهم نموده و افراد از طريق دنبال‌کردن و پاسخ دادن به سؤال‌هاي ديگر کاربران به دنبال کشف يک فرصت جهت ايجاد ارتباط با کاربران تاثيرگذار، همکاري‌هاي علمي و ايجاد انجمن‌هاي علمي مي‌باشند. با تشخيص اجتماعات در اين شبکه که يکي از مهم‌ترين کاربردهاي تحليل شبکه‌هاي اجتماعي است، انجمن‌هاي شکل‌گرفته براساس روابط موجود در شبکه مشخص مي‌شوند. در اين پژوهش ابتدا روابط هم‌نويسندگي، دنبال‌کنندگي دنبال‌شوندگي و پرسش و پاسخ در شبکه‌ي ريسرچ‌گيت ايجاد‌ شده و با استفاده از روش ماژولاريتي(Modularity) که از الگوريتم لووين(louvain) پيروي مي‌کند انجمن‌هاي ايجاد شده در روابط با يکديگر مقايسه شده‌اند. از آنجائيکه در شبکه‌هاي اجتماعي علمي هدف از بارگذاري و انتشار مقالات توسط محققان، انتقال و به اشتراگ‌گذاري دانشي است که در پژوهش خود کسب کرده‌اند؛ بنابراين پژوهشگر مي‌تواند از طريق رابطه‌اي که به طور ميانگين افراد بيشتري را به يکديگر پيوند داده است دانش خود را ميان کاربران بيشتري به اشتراک بگذارد. طبق نتايج پژوهش حاضر، رابطه‌ي دنبال‌کنندگي دنبال‌شوندگي در اين شبکه بيشترين تراکم را در ميان روابط دارد و سبب انتقال دانش ميان کاربران بيشتري مي‌شود.

در سال‌هاي اخير، پردازنده‌هاي گرافيکي جايگاه ويژه‌اي در مراکز داده‌ ابري يافته‌اند. اين امر به دليل توان پردازشي بالاي پردازنده‌هاي گرافيکي در انجام کارهاي موازي است. بااين‌وجود، استفاده از پردازنده‌هاي گرافيکي با چالش‌هايي ازجمله توان مصرفي بالا و بهره‌وري پايين همراه است. يک راه‌حل براي بهبود بهره‌وري، مجازي‌سازي پردازنده گرافيکي است. در اين روش، پردازنده گرافيکي با استفاده از روش‌هاي مجازي‌سازي بين چند ماشين‌ مجازي به اشتراک گذاشته مي‌شود. براي استفاده بهينه از منابع پردازشي گرافيکي و جلوگيري از هدررفت منابع، الگوريتم‌هاي تخصيص منابع توسعه داده‌شده‌اند. بااين‌حال، کارايي اين الگوريتم‌ها تاکنون در بسترهاي ابري ناهمگن مطالعه و بررسي نشده است. هدف اين مقاله، بررسي رفتار الگوريتم‌هاي متداول تخصيص منابع در بسترهاي ابري ناهمگن مبتني بر پردازنده گرافيکي است. بدين منظور، مرکز داده‌اي با دو نوع کارت گرافيکي مختلف شبيه‌سازي شده و کارايي الگوريتم‌هاي تخصيص منابع مختلف بررسي و مقايسه شده‌ است. همچنين الگوريتمي براي بهبود زمان اجراي بار کاري در اين‌گونه بسترها ارائه شده و نتايج به‌دست‌آمده با نتايج الگوريتم‌هاي مشابه مقايسه شده است. نتايج شبيه‌سازي نشان مي‌دهد استفاده از روش پيشنهادي در بستر‌هاي ناهمگن مي‌تواند نسبت به روش‌هاي پيشين تا 11% زمان اجراي بار کاري و انرژي مصرفي مرکز داده را کاهش دهد.

با توجه به این ‌که نسل آینده ارتباطات توسط شبکه 5G رقم خواهد خورد و دلیل اصلی توسعه‌ی این شبکه پشتیبانی از سرویس‌های مختلف و جدید مبتنی بر نیاز کاربران است، بنابراین اپراتورهای شبکه باید بتوانند بر اساس گروه‌بندی کاربران بر اساس نیازمندی خاصی که دارند، سرویس مورد انتظار آن‌ها را با حداکثر کارایی و حداقل هزینه ارائه دهند. ابزاری که برای تحقق این منظور مطرح‌شده است، استفاده از برش‌بندی شبکه است. یکی از مهم‌ترین چالش‌هایی که در برش‌بندی شبکه وجود دارد، نحوه‌ی تخصیص منابع در میان نقش‌های تجاری است که می‌خواهند سرویسی مناسب را برای کاربران برش‌ها ایجاد کنند. همه‌ی کارهای مرتبط انجام شده فقط به دنبال بیشینه‌سازی سودمندی تأمین‌کنندگان شبکه هستند که این مورد برخلاف هدف اصلی 5G یعنی ارائه سرویس با کیفیت، با در نظر گرفتن نیازمندی کاربران برش‌هاست؛ بنابراین در این مقاله در برش‌بندی هسته روشی‌ پیشنهاد می‌گردد که سودمندی نقش‌های تجاری موجود در برش‌بندی شبکه اعم از کاربران، مستأجران و تأمین‌کنندگان شبکه را هم‌زمان در نظر گیرد و هم از قیود واقع‌گرایانه اعم از کارایی منابع، عدالت، اولویت در میان برش‌ها و مستأجران و پشتیبانی از SLA های مهم برای برش‌ها پشتیبانی کند تا بتواند با این دید، تعادل را در میان بازیگران مسئله ‌مذکور ایجاد کند و برای اجرا در سناریوهای بزرگ و واقعی انعطاف‌پذیر باشد. بر همین اساس الگوریتمی طراحی می‌شود که به طور میانگین 10.45 درصد در سود جمعی بهبود دارد.

در سیستم‌های معمول بازشناسی احساس گفتار، معمولا توزیع دادگان منبع (آموزش) و هدف (آزمایش) یکسان در نظر گرفته می‌شود. اما دقت این سیستم‌ها برای گفتار با لهجه یا زبان دیگر و در حالت متفاوت بودن توزیع دادگان منبع و هدف، با افت مواجه می‌شود. برای حل این مشکل، می‌توان از روش‌های انتقال یادگیری و تطبیق دامنه استفاده کرد. در این مقاله، دو روش برای حل این مشکل پیشنهاد می‌شود. در روش پیشنهادی اول، ابتدا مدل با دادگان منبع و سپس با بخشی از دادگان هدف آموزش می‌بیند. در روش پیشنهادی دوم، ابتدا مدل با دادگان منبع آموزش داده می‌شود، سپس برای تطبیق با دادگان هدف، یک لایه‌ی تطبیق خطی در ورودی به مدل اضافه می‌شود و صرفا لایه‌ی جدید با بخشی از دادگان هدف آموزش می‌بیند. برای ارزیابی روش‌های پیشنهادی از چهار شبکه‌ی عصبی عمیق با ساختارهای متفاوت استفاده شده است. نتایج روش‌ها بر روی دادگان IEMOCAP (زبان انگلیسی-دادگان منبع) و EMODB (زبان آلمانی-دادگان هدف) مورد ارزیابی قرار گرفته است. نتایج بیانگر این هستند که روش پیشنهادی اول به طور نسبی 35% و روش پیشنهادی دوم به طور نسبی 36% روی دادگان EMODB نسبت به مدل پایه (مدل بدون استفاده از انتقال یادگیری و لایه‌ی تطبیق) افزایش دقت داشته‌اند.

کیفیت سرویس دهی به معنی توصیف یا اندازه‌گیری کاراییِ کلی مرتبط با یک سرویس است. یکی از عوامل موثر در کیفیت سرویس‌دهی شبکه، کنترل ازدحامِ داده در مسیریاب‌ها می‌باشد. مدیریت صف فعال (AQM) به عنوان یک راه حل به منظور کنترل ازدحام در شبکه‌های TCP به شمار می‌رود. این روش مبتنی بر دور انداختن یا علامت‌گذاری بسته‌ها در صف مسیریاب است. با ورود مهندسی کنترل به حیطه کنترل ازدحام، زمینه مساعدی برای بهبود عملکرد شبکه‌های کامپیوتری فراهم شده است. در این پژوهش یک سیستم کنترلی به منظور بهبود عملکرد شبکه‌های مبتنی بر مدل جریان سیال TCP ارائه می‌شود. سیستمِ کنترلی مورد نظر متشکل از کنترل‌کننده مدلغزشیِ مرتبه دوم، سیستم پیش بین حالت و یک سیستم حسابگر طول بهینه صف است. عملکرد مطلوب مورد نظر در این پژوهش، کمینه کردن تابع هزینه مبتنی بر تعداد بسته دورانداخته شده و زمان رفت و برگشت بسته می‌باشد. نتایج شبیه سازی ارائه شده در این مقاله نشان می‌دهد که سیستم کنترلی ارائه شده، علاوه بر پایدار نگهداشتن طول صف، تابع هزینه مطلوب را کمینه می‌کند.

یکی از معیارهای سنجش کارایی فرایند، زمان فرایند است. بدین منظور لازم است زمان فعالیت‌های فرایند را اندازه‌گیری نموده و با توجه به میزان حساسیت و دقتی که لازم است برای انجام آن صرف گردد، بهبود زمان فرایند انجام پذیرد. روش‌هایی که برای تخمین زمان فعالیت وجود دارد معمولا بر پایه نظرات کارشناسی یا تجربه‌های پیشین است. اما علم فرایندکاوی زمان واقعی اجرای فعالیت‌های یک فرایند را از نگاره رویداد آن استخراج نموده و بدین ترتیب امکان بهبود زمان فرایند را با کمک تکنیک‌های موجود، فراهم می‌نماید. در بهبود زمان فرایند، لازم است به میزان حساسیت و دقتی که کاربر باید صرف نماید توجه نمود. به عنوان مثال در فرایند تشخیص اطلاعات بیومتریک افراد برای جرم‌شناسی ضروری است که کاربر حداکثر دقت را صرف نماید. زیرا یک تشخیص اشتباه می‌تواند به قیمت جان یک انسان بی‌گناه تمام شود. بنابراین بهبود زمان فرایند همیشه با کاهش زمان اجرای فرایند توام نیست بلکه یافتن زمان مطلوب برای اجرای صحیح فرایند است. این مقاله پس از بررسی روش‌های پیشین محاسبه زمان یک فعالیت، تکنیک‌های فرایندکاوی را به عنوان رویکرد جدیدی که براساس زمان واقعی انجام فعالیت‌های یک فرایند، امکان ارتقاء هوشمندانه زمان اجرای فرایند را فراهم می‌کند، معرفی می‌نماید. بدین منظور طی یک مطالعه موردی، میانگین زمان اجرای فعالیت‌های یک فرایند با تکنیک‌های فرایندکاوی از نگاره رویداد آن استخراج شد. سپس با مطالعه تطبیقی و نظر خبرگان اصلاحاتی روی فرایند اعمال شد. نتایج حاصله نشان دهنده کوتاهتر شدن زمان فرایند است.

محاسبات بدون نیاز به سرویس‌دهنده جدیدترین مدل محاسباتی رایانش ابری است که نشان‌دهنده تکامل مدل‌های برنامه‌‌نویسی ابر و افزایش سطح انتزاع از زیرساخت است. این مدل محاسباتی مزایای زیادی برای سازمان‌ها و توسعه‌دهندگان برنامه‌های کاربردی دارد. سهولت توسعه، صرفه‌جویی در منابع و کاهش زمان عرضه محصول به بازار از جمله مزایای این مدل هستند. طبق این مدل محاسباتی، منطق یک برنامه کاربردی به واحدهایی مستقل و تک وظیفه‌ای به نام تابع تجزیه می‌شود. یکی از قابلیت‌های منحصر به فرد این مدل محاسباتی که منجر به صرفه‌جویی در هزینه‌ها می‌گردد، قابلیت مقیاس‌پذیری به صفر است. این قابلیت به دلیل آزاد کردن تمام منابع اختصاص یافته به تابع پس از اتمام اجرای آن، منجر به چالش تاخیر شروع سرد می‌گردد. هر پلتفرم برای غلبه بر این تاخیر راه حل پیشنهادی خود را دارد که در این مقاله به آن‌ها اشاره شده است. همچنین ارزیابی پلتفرم‌های مدل محاسباتی بدون نیاز به سرویس‌دهنده در این مقاله انجام شده و در نهایت با اجرای یک بنچ مارک بر روی پلتفرم Apache OpenWhisk متغیرهای مرتبط با تاخیر شروع سرد اندازه‌گیری و تحلیل شده است. متوسط تاخیر شروع سرد در این پلتفرم ۵۹ میلی ثانیه گزارش شده است.

ارزیابی از خود و همتا، موجب ترغیب یادگیرندگان برای شرکت مسئولانه در فرآیند یادگیری می‌شود. در این مقاله به بررسی ارتباط بین میزان دقت ارزیابی از خود و همتا از یک طرف و ابعاد شخصیتی نئو یادگیرندگان پرداخته می‌شود. برای این منظور داده‌های مربوط به ارزیابی یادگیرنده از خود و از همتا و نیز ابعاد شخصیتی از یک محیط یادگیری مشارکتی ترکیبی استخراج و با استفاده از آزمون خی دو، ارتباط مورد بررسی قرار می‌گیرد. در قسمتی دیگر از تحقیق ارتباط میان میزان آشنایی بین یادگیرنده و همتا و دقت ارزیابی وی از همتا مورد بررسی قرار می‌گیرد. نتایج نشان می‌دهد که با آشنایی بیشتر یادگیرنده از همتا، ارزیابی ارائه شده نیز دقت بیشتری دارد. نتایج این مقاله میتواند در هر سیستم مبتنی بر یادگیری مشارکتی به منظور بررسی دقتِ ارزیابی همتا که توسط یادگیرنده ارائه شده مورد استفاده قرار گیرد.

امروزه با توسعه‌ی فناوری در حوزه‌ی پزشکی، الکتروانسفالوگرافی دامنه‌ی وسیعی از شرایط تشخیصی را در اختیار متخصصان قرار می‌دهد که کاربردهای بالینی فراوانی دارد. مدل‌سازی پیش‌بینی الکتروانسفالوگرام می‌تواند علاوه بر استخراج مفاهیم قابل توجه، برای اثبات تشخیص صرع بکار گرفته شود. در سال‌های اخیر، تجزیه و تحلیل‌های مبتنی بر پیش‌بینی نشان دادند که رویکردهای داده محور می‌توانند با ادغام مجموعه داده‌های بالینی و تکنیک‌های یادگیری ماشین، به عنوان یک سیستم واحد و هوشمند نتایج مراقب‌های بهداشتی را ارائه دهند. در این پژوهش یک روش جهت بهبود تشخیص تشنج صرعی از سایر حالت‌های ضبط شده توسط دستگاه الکتروانسفالوگرام ارائه شد. روش پیشنهادی با استفاده از قاب‌بندی داده‌های سری زمانی، محاسبه‌ی انحراف معیار از داده‌‌های درون قاب، انتخاب مهمترین ویژگی‌های توسط الگوریتم ریلیف و آستانه‌یابی الگوریتم ژنتیک، توانست بردار ویژگی را بهینه نماید. نتایج بدست آمده از طبقه‌بندی یادگیری عمیق با 6 لایه‌ی پیشنهادی نشان می‌دهد که روش پیشنهادی قادر است با دقت %۹۹.۴۰، حساسیت %۹۹.۲۵ و اختصاصیت %۱۰۰ تشنج صرعی را از سایر وضعیت‌های موجود روی مجموعه دادگان بیماران تشنج صرعی نسخه بازسازی شده دانشگاه بن آلمان افتراق دهد که در معیار دقت طبقه‌بندی به میزان %۱.۳ بهبود نسبت به الشرهان و همکاران نشان می‌دهد.

پیش‌بینی سری‌های زمانی مالی یکی از مباحث داغ و مورد علاقه برای بسیاری از سرمایه گذاران می‌باشد. از آنجا که داده‌های سری زمانی مالی ماهیتی non-stationary و غیرخطی دارند پیش‌بینی این بازار به خودی خود می‌تواند بسیار چالش برانگیز باشد. نویز و ناهنجاری نیز پدیده جدا نشدنی داده‌های از نوع سری زمانی هستند که پیش‌بینی این داده‌های ماهیتا پیچیده را دشوارتر می‌کنند. رفتارهای هیجانی سرمایه گذاران می‌تواند باعث ایجاد الگوهایی بر خلاف روند معمول بازار گردد که شناسایی و حذف این الگوها می‌تواند در ادامه پیش‌بینی روند بازار موثر واقع گردد. در اینجا سعی شده تا با استفاده از یک Autoencoder داده‌های مربوط رفتارهای هیجانی بازار را شناسایی کرده و با جایگذاری بهینه این ناهنجاری‌ها داده‌های بهتری را در اختیار یک شبکه عمیق LSTM که به عنوان مدل نهایی جهت پیش‌بینی بازار مورد استفاده واقع شده است قرار دهیم. نتایج بدست آمده نشان می‌دهد که انجام پیش پردازش بر روی داده‌ها باعث بهبود عملکرد مدل و کاهش خطای پیش‌بینی می‌شود به طوریکه خطای پیش‌بینی با روش ارائه شده در کمترین حالت بر اساس توابع ،RMSE MAPE و MAE به ترتیب ۴ ،۴و ۵ درصد بهود داشته است.

فناوری بلاکچین انقلابی در رشته کامپیوتر محسوب می‌شود که با وجود نوظهور بودن، توانسته است نفوذ خود را به سایر حوزه‌ها نیز گسترش دهد. با این حال، محدودیت‌هایی چون مقیاس‌پذیری، تهدیدات امنیتی و مکانیزم‌های اجماع، باعث شده است که در استفاده‌ی از آن با چالش‌هایی نیز مواجه شویم. یکی از راه‌های غلبه بر این مشکلات، زنجیره اعتماد نام دارد. زنجیره‌ اعتماد بر‌خلاف بلاکچین‌های مرسوم، از یک زنجیره واحد استفاده نمی‌کند بلکه، در این سیستم هر گره وظیفه ساخت و نگهداری زنجیره ‌محلی خود را دارد. از بارزترین ویژگی‌های این سیستم، عدم نیاز به مکانیزم‌های اجماع همگانی و مقاومت در برابر حمله سیبیل می‌باشد. در این مقاله سعی کرده‌ایم در وهله اول با پیاده‌سازی عملی سیستم مذکور بر‌روی دستگاه‌های موجود و همچنین افزودن ماژول‌هایی به برنامه جهت به دست آوردن اطلاعات مورد نیاز، مجموعه داده‌ای جامع از پارامتر‌های موثر در کارایی این بلاکچین جمع‌آوری کرده و با تجزیه و تحلیل اطلاعات به دست آمده از طریق الگوریتم‌های استخراج ویژگی، بتوانیم موثرترین ویژگی‌ها در کارایی هر ناظر را به دست آوریم، سپس با افزودن یک سیستم احراز هویت غیر‌متمرکز به بلاکچین، با ارائه‌ی راهکار‌هایی به مقابله با حمله White washing و آسیب پذیری‌های سرویس‌گیرنده بپردازیم.

فراگیری نسل‌های جدید برقراری ارتباط و محدودیت‌های موجود در حوزه‌های توان محاسباتی/ذخیره‌سازی و مصرف انرژی، تحولی بزرگ را در روند توسعه و پیاده‌سازی الزامات آن‌ها طلب می‌کند. طی سال‌های اخیر موضوع بارسپاری وظایف در محاسبات لبه‌ای سیار به موضوعی جذاب و پرطرفدار تبدیل شده که هم قادر به بهبود طول عمر باتری دستگاه‌های کاربران پایانی سیار و هم حل مشکلات مربوط به تأخیر محاسباتی و تراکم شبکه آنان می‌باشد. این مقاله تلاش می‌کند حوزه‌های مفهومی و عملی مرتبط با چالش‌های استفاده از این تکنیک نویدبخش را مرور نموده و نقش مؤثر بارسپاری وظایف در بهبود کارایی و افزایش کیفیت ارائه‌ی خدمات به کاربران سیار را تبیین نماید. ارائه‌ی روش‌های دستیابی به بهبود‌هایی که می‌تواند توسط انجام فرایند بارسپاری وظایف برای سیستم ایجاد شود در کنار معرفی محدودیت‌های موجود در این مسیر و کارهای آتی قابل انجام در این حوزه، بخش پایانی این مقاله را تشکیل می‌دهد.

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.

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.

تبدیل تصویر به تصویر با هدف تبدیل یک تصویر از دامنه مبدأ به دامنه مقصد بدون دسترسی به مجموعه داده آموزشیِ جفت شده یکی از چالش‌های این زمینه است. در این میان CycleGAN به نحو موفقیت آمیزی توانست با معماری خاص خود و استفاده از مفهوم Cycle Loss، از توانمندی شبکه‌های مولد تخاصمی در این کاربرد استفاده کند. در این مقاله با تغییراتی در معماری اصلی CycleGAN که با اضافه شدن دو تفکیک کننده در خروجی بخش Resnet مولدها انجام می شود، عملکرد مولدها بهبود داده شود. نتایج کمّی بر اساس سه معیار ارزیابی و همچنین مقایسه بصری نتایج نشان دهنده بهبود عملکرد معماری پیشنهادی نسبت به معماری اصلی شبکه CycleGAN است.

خوشه‌بندی یکی از مهم‌ترین مباحث در زمینه‌ی داده کاوی است. هدف از خوشه‌بندی تفکیک داده‌ها است به گونه‌ای که داده‌های موجود در یک خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را با اعضای خوشه‌های دیگر داشته باشند. یکی از مهم‌ترین الگوریتم‌های خوشه‌بندی الگورریتم K-means می‌باشد. در این الگوریتم ابتدا به تعداد خوشه‌ها به صورت تصادفی از داده‌های اصلی مراکز خوشه اولیه انتخاب می‌شوند و سپس عملیات یافتن خوشه‌ها اجرا می‌شود. چالش اصلی در K-means انتخاب مراکز خوشه‌ها به‌صورت بهینه است. در گذشته پژوهش‌های متعددی در زمینه انتخاب مراکز اولیه خوشه‌ها در الگوریتم K-means صورت گرفته است. در این مقاله برای نخستین بار روش جدیدی برای انتخاب مراکز خوشه‌ها مبتنی بر الگوکاوی ارائه می‌شود. در این روش ابتدا برای کاهش حجم داده‌ها، انتخاب ویژگی روی داده‌ها اعمال می‌شود؛ سپس الگوهای پرتکرار استخراج و بر پایه‌ی این الگوها مراکز اولیه خوشه‌ها مشخص می‌شود. روش پیشنهادی با روش پایه K-means و با روش جدید BDD بر روی ۵ مجموعه داده با ابعاد گوناگون ارزیابی می‌شود. نتایج به دست آمده نشان می‌دهد در اغلب موارد، روش پیشنهادی عملکرد بهتری دارد.

در اين مقاله روشي جديد براي تلفيق طبقه بندها در سيستمهايي با چند طبقه بند معرفي گرديده است. مبناي اين روش بر ايجاد گوناگوني در طبقه بندهاي پايه با استفاده از تغيير وزنها مي باشد. از آنجايي كه وجود گوناگوني در طبقه بندهاي پايه كليد اصلي در تلفيق طبقه بندها است و اينكه تلفيق تعدادي طبقه بند مشابه كه گوناگوني اندكي دارند نميتواند باعث بالارفتن كارايي كلي سيستمي با چند طبقهبند گردد لذا ضرورت دارد طبقه بندهاي پايه تاحد امكان گوناگون بوده و رفتارهاي متفاوتي در محدوده فضاي ورودي ازخود نشان دهند. به همين منظور در اين مقاله از الگوريتم PSO به شكل ويژهاي براي ايجاد گوناگوني در طبقه بندهاي پايه استفاده شده است. در نهايت نيز روشي براي تلفيق طبقه بندهاي پايه بر مبناي تعريف گوناگوني آنها و نيز معيار جديدي براي تعيين گوناگوني معرفي شده است. كارايي اين روش با چندين روش تلفيق طبقه بندها مقايسه گرديده است.