ارتقاء کارایی شبکههای عصبی عمیق توزیع شده و مقاوم سازی آنها در برابر خطا با استفاده از محاسبات شناختی - دانشکده فنی و مهندسی
ارتقاء کارایی شبکههای عصبی عمیق توزیع شده و مقاوم سازی آنها در برابر خطا با استفاده از محاسبات شناختی
نوع: Type: رساله
مقطع: Segment: دکتری
عنوان: Title: ارتقاء کارایی شبکههای عصبی عمیق توزیع شده و مقاوم سازی آنها در برابر خطا با استفاده از محاسبات شناختی
ارائه دهنده: Provider: امید جمشیدی - مهندسی کامپیوتر
اساتید راهنما: Supervisors: دکتر مهدی عباسی، دکتر عباس رمضانی
اساتید مشاور: Advisory Professors: دکتر امیرحسین طاهرکردی
اساتید ممتحن یا داور: Examining professors or referees: دکتر رضا محمدی، دکتر علیرضا عبداله پوری، دکتر مه لقا افراسیابی
زمان و تاریخ ارائه: Time and date of presentation: ساعت 9 - 1405/4/9
مکان ارائه: Place of presentation: اتاق سمینار گروه کامپیوتر
چکیده: Abstract: با گسترش کاربرد شبکههای عصبی عمیق در حوزههایی مانند تشخیص تصویر، تحلیل الگو، بینایی ماشین و پردازش زبان طبیعی، نیاز به اجرای این مدلها در محیطهای توزیعشده بیش از پیش اهمیت یافته است. در چنین محیطهایی، محدودیت توان محاسباتی، نیاز به پهنای باند بالا، ناهمگونی دادهها، و تأخیرهای ارتباطی چالشهای مهمی ایجاد میکنند و ضرورت توسعه رویکردهای کارآمد، تطبیقپذیر و پایدار را افزایش میدهند. در پاسخ به این چالشها، در این پژوهش یک رویکرد نوین مبتنی بر محاسبات لبهای فدرال برای افزایش تحملپذیری خطا و بهبود تصمیمگیری در شبکههای عصبی عمیق توزیعشده ارائه شده است. در روش پیشنهادی، از شش دستگاه انتهایی برای پردازش توزیعشده دادههای MNIST و CIFAR-10 استفاده شده است. هر بخش از داده ابتدا در دستگاههای انتهایی و لایه مه پردازش میشود و بر اساس امتیازهای تولیدشده توسط مدل مه، دستگاههای مناسب برای ادامه تحلیل انتخاب میشوند. سپس خروجیهای منتخب برای پالایش نهایی به لایه ابر ارسال شده و روشهای تجمیع مانند میانگینگیری و بیشینهگیری همراه با محاسبات ابری برای افزایش دقت اعمال میگردد. این فرآیند با بهرهگیری از سازوکار تصمیمگیری شناختی در لایه مه، بهصورت پویا با وضعیت شبکه، میزان اطمینان خروجیها، و کیفیت دادههای تولیدشده سازگار میشود. در این معماری، لایه مه با ارزیابی قابلیت اطمینان خروجی دستگاهها، وزندهی تطبیقی، و انتخاب هوشمند دستگاههای مناسب برای ارسال داده به ابر، رفتارهایی مشابه فرآیندهای شناختی مانند تحلیل، ارزیابی، و تصمیمگیری هوشمند را پیادهسازی میکند. همچنین، با انتخاب تطبیقی دستگاههای قابلاعتماد، سربار ارتباطی و ترافیک شبکه نیز کاهش مییابد. معماری ارائهشده تحت عنوان CDDNN شامل بلوکهای باقیمانده، لایههای کانولوشنی، نرمالسازی دستهای، توابع فعالسازی و لایههای کاملاً متصل است که در دستگاههای نهایی، مه و ابر پیادهسازی شدهاند. نتایج حاصل از آزمایشها نشان میدهد این معماری علاوه بر افزایش دقت طبقهبندی، منجر به کاهش تأخیر پردازش، بهبود مصرف منابع، کاهش حجم دادههای ارسالی به ابر، و افزایش تحملپذیری خطا در شرایط خرابی یا اختلال دستگاههای نهایی میشود. همچنین نتایج نشان میدهد معماری پیشنهادی در مواجهه با دادههای ناهمگون و شرایط پویا، عملکردی پایدار و قابلاعتماد ارائه میدهد. یافتههای این پژوهش قابلیت استفاده گسترده در کاربردهایی مانند اینترنت اشیا، پردازش لبه، سیستمهای هوشمند، و محیطهای محاسباتی توزیعشده را دارد.