سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

تشخیص هرزنامه با استفاده از یک معماری ترنسفورمر دو مسیره (DART-Net)

نویسندگان :

امین هادی¹ مهدی مصلح² کیوان محبی³

1- دانشگاه آزاد اسلامی واحد خوراسگان 2- دانشگاه آزاد اسلامی واحد خوراسگان 3- دانشگاه آزاد اسلامی واحد خوراسگان

کلمات کلیدی :

تشخیص هرزنامه،یادگیری تخاصمی،حملات تخاصمی،معماری دو‌مسیره ترنسفورمر،مدل‌های سبک و سنگین،مسیریابی پویا،عدم قطعیت مدل

چکیده :

یادگیری فدرال به‌عنوان یک رویکرد نوین در آموزش مدل‌های یادگیری ماشین، امکان بهره‌گیری از داده‌های حساس پزشکی را بدون نیاز به اشتراک مستقیم داده‌های خام فراهم می‌کند، با این حال ناهمگنی داده‌های چندمرکزی، ناپایداری همگرایی و ملاحظات جدی حریم خصوصی همچنان از چالش‌های اساسی آن در کاربردهای بالینی به‌شمار می‌روند. در این مقاله، یک چارچوب نوین با عنوان HPA-FedSeg برای قطعه‌بندی تومور مغزی در محیط‌های فدرال چندمرکزی ارائه می‌شود که به‌طور هم‌زمان این چالش‌ها را هدف قرار می‌دهد. روش پیشنهادی مبتنی بر یک معماری فدرال سلسله‌مراتبی است که در آن مراکز درمانی بر اساس شباهت توزیع داده خوشه‌بندی شده و فرآیند تجمیع به‌صورت چندسطحی انجام می‌گیرد. علاوه بر این، یک سازوکار نرمال‌سازی تطبیقی مرکز محور و یک راهبرد وزن‌دهی هوشمند در تجمیع به‌روزرسانی‌های محلی به‌کار گرفته شده است تا اثر ناهمگنی داده و کیفیت نامتوازن مراکز کاهش یابد. به‌منظور ارتقای امنیت، مکانیزم‌های حفظ حریم خصوصی چندلایه نیز در فرآیند آموزش ادغام شده‌اند. ارزیابی روش پیشنهادی بر روی دیتاست استاندارد قطعه‌بندی تومور مغزی مبتنی بر تصاویر MRI چندوجهی و در سناریوی چندمرکزی انجام شده است. نتایج تجربی نشان می‌دهد که HPA-FedSeg نسبت به رویکردهای متداول یادگیری فدرال، همگرایی پایدارتر و دقت بالاتری در قطعه‌بندی نواحی مختلف تومور ارائه می‌دهد و در عین حال الزامات حریم خصوصی را حفظ می‌کند. این یافته‌ها نشان‌دهنده قابلیت چارچوب پیشنهادی برای استقرار عملی سامانه‌های هوشمند قطعه‌بندی پزشکی در محیط‌های بالینی واقعی است.