-
شماره ركورد
9450
-
پديد آورنده
پوريا زماني
-
عنوان
استفاده از رويكرد هاپفيلد براي بهبود عملكرد معماري مبدل‌ها
-
مقطع تحصيلي
كارشناسي
-
رشته تحصيلي
مهندسي كامپيوتر
-
سال فارغ التحصيلي
1403
-
استاد راهنما
دكتر مزيني
-
دانشجوي وارد كننده اطلاعات
پوريا زماني اسكلو
-
تاريخ ورود اطلاعات
1403/08/30
-
دانشكده
مهندسي كامپيوتر
-
عنوان به انگليسي
Hopfield Approach to Enhance the Performance of Transformer Architectures
-
چكيده
يادگيري، دسترسي و بازيابي الگوها در شبكه‌هاي هاپفيلد و معماري‌هاي جديدتر مانند ترنسفورمرها اهميت
زيادي دارد . در زمينه يادگيري ماشين، شناسايي، ذخيره‌سازي و شناخت الگوها از اهميت بسيار بالايي
برخوردار است. در سال‌هاي اخير شاهد اين بوده‌ايم كه در تركيب معماري‌هاي جديد با معماري هاپفيلد
مي‌توان به نتايج خوبي دست يافت، بخصوص در مسائل الگويابي و يادگيري‌هاي چندنمونه‌اي. نحوه يادگيري،
دسترسي و بازيابي اين الگوها در شبكه‌هاي هاپفيلد و معماري ترنسفورمرها اساسي است. در اين پروژه
ميخواهيم با ادغام مكانيزم توجه در معماري ترنسفورمرها و مدل هاپفيلد به حل چالش‌هاي مربوط به
طبقه‌بندي رپرتوار ايمني براي شناسايي بيماري بپردازيم و ميزان اثربخشي اين نوآوري را بررسي كنيم.
روش‌هاي دقيق و قابل تفسير يادگيري ماشين كه اين مسئله را حل مي‌كنند، مي‌توانند راه را براي توسعه
واكسنها و درمان‌هاي جديد هموار كنند. طبقه‌بندي ريپرتوار ايمني با تعداد زياد توالي‌هاي ايمني و نرخ
مشاهده پايين، چالشي بي‌سابقه است. در اين پروژه روش جديد DeepRC را معرفي مي‌كنيم كه توجه
مشابه ترنسفورمر را با شبكه‌هاي هاپفيلد مدرن در معماري‌هاي يادگيري عميق تركيب مي‌كند. بررسي
خواهيم كرد كه ميزان دقت اين معماري با باقي معماري‌هايي كه قبلا استفاده ميكرديم، عملكرد بهتري
داراست يا اثربخشي كمتري خواهد داشت.
-
كليدواژه ها
يادگيري عميق , شبكه‌هاي هاپفيلد , ترنسفورمرها , مكانيزم توجه , طبقه‌بندي رپرتوار ايمني
-
لينک به اين مدرک :
