رده‌بندي مجموعه داده نامتوازن با ابعاد بالا از طريق شبكه‌هاي رقابتي مولد عميق مبتني بر نظريه بازي

نظريه بازي با استفاده از مدل‌هاي رياضي به تحليل روش‌هاي همكاري يا رقابت موجودات منطقي و هوشمند مي‌پردازد. نظريه بازي تلاش مي‌كند تا رفتار رياضي حاكم بر يك موقعيت تضارب منافع را مدل‌سازي كند. هدف نهايي اين دانش، يافتن راه‌برد بهينه براي بازيكنان است. يكي از جديدترين ايده‌ها در كاربرد نظريه بازي درزمينهٔ هوش مصنوعي و يادگيري ماشين، شبكه‌هاي رقابتي مولد عميق هستند. اين شبكه‌ها كه از دو بخش تشكيل مي‌شوند با استفاده از نظريه بازي و با رقابت با يكديگر موجب مي‌شوند امكان يادگيري به‌صورت بدون نظارت و يا نيمه نظارتي فراهم گردد. از اين شبكه‌ها علاوه بر توليد داده، در شناسايي نرم‌افزارهاي مخرب و امنيت نرم‌افزار، ترجمه ماشيني و پردازش زبان طبيعي و ساخت مدل سه‌بعدي از يك تصوير نيز استفاده مي‌شود. اما اين نوع مدل‌ها به علت تعداد بالاي تكرار و مؤلفه‌هاي ورودي، زمان آموزش بسيار طولاني دارند. در اين مقاله در راستاي حل مسئله زمان آموزش طولاني اين شبكه‌ها در موضوع رده‌بندي مجموعه داده‌هاي با ابعاد بالاي نامتوازن، راهكاري ارائه مي‌شود كه ابتدا داده‌هاي كم تعداد مربوط به كلاس‌هاي مجموعه داده‌ها، مبتني بر شبكه رقابتي مولد، بيش‌نمونه‌برداري شده، سپس جهت بهبود كارايي شبكه‌هاي رقابتي مولد، موازي‌سازي شبكه مذكور انجام‌گرفته و با تمركز بر افزايش كارايي، با رده‌بندي تجميعي نتايج حاصله در حالات مختلف مورد بررسي و ارزيابي قرار مي‌گيرد. نتايج به‌عمل‌آمده روي ‌رده‌بندي مجموعه داده رتينوپاتي ديابتي با روش مذكور نشان داد با حفظ دقت رده‌بندي 87%، زمان آموزش 74% كاهش مي‌يابد كه نتايج حاصله نسبت به آخرين پيشرفت‌هاي علمي نيز دقت بالاتري را نشان ميدهد.