***************«بسم الله الرحمن الرحیم» نشریه علمی «پردازش علائم و داده‌ها» با مجوز رسمی از کمیسیون نشریات وزارت علوم، تحقیقات و فناوری، صاحب امتیاز: پژوهشگاه توسعه فناوری‌های پیشرفته ***************
Signal and Data Processing Journal A scientific journal officially licensed by the Commission for Scientific Publications of the (MSRT). Publisher: Research Ceter for Developmen of Technologies
دوره 23، شماره 1 - ( 3-1405 )
جلد 23 شماره 1 صفحات 98-83 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Gholizadeh M, Soltanizadeh H, RahmaniManesh M. Multi-Source Transfer Learning Based on Pre-Trained Models: A Fuzzy Rule-Based Approach. , JSDP. 2026; 23 (1) : 6
URL: http://jsdp.rcisp.ac.ir/article-1-1471-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1471-fa.html
قلی زاده معصومه، سلطانی زاده هادی، رحمانی منش محمد. یادگیری انتقالی چندمنبعی با تکیه‌بر مدل‌های ازپیش آموزش‌دیده: رویکردی مبتنی‌بر قواعد فازی. , پردازش علائم و داده‌ها. 1405; 23 (1) :83-98
دانشیار دانشکدۀ برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران
چکیده: (760 مشاهده)
در دنیای واقعی، محدودیت بیشتردر دسترسی به داده‌های منابع مختلف وجود دارد که فرایند یادگیری را دشوار می‌سازد. این پژوهش به چالش یادگیری انتقالی چندمنبعی در شرایطی می‌پردازد که دسترسی کامل به داده‌های برخی منابع امکان‌پذیر نیست و تنها مدل‌های ازپیش آموزش‌دیده‌شده در دسترس‌اند؛ برای مقابله با این محدودیت، روشی نوین ارائه شده‌است که با ترکیب شبکه‌های عصبی، خوشه‌بندی فازی و قواعد فازی تاکاگی-سوگنو، به انتقال دانش و مدیریت فقدان قطعیت کمک می‌کند. استفاده از قواعد فازی امکان شناسایی الگوهای پیچیده و بهبود دقت پیش‌بینی‌ها در دامنۀ هدف را فراهم می‌سازد. این روش بر روی چهار مجموعه‌دادۀ بازگشتی ارزیابی شده و نتایج نشان می‌دهد که در شرایط دانش ناکافی و همراه با فقدان قطعیت، عملکرد بهتری نسبت به سایر روش‌های پیشرفته دارد. یافته‌ها حاکی از اثربخشی روش پیشنهادی در بهره‌برداری از اطلاعات محدود منابع مختلف برای کاربردهای واقعی است.
شماره‌ی مقاله: 6
واژه‌های کلیدی: یادگیری انتقالی چندمنبعی، قواعد فازی، تطبیق دامنه، مدل‌های ازپیش آموزش‌دیده، قواعد فازی تاکاگی-سوگنو.
نوع مطالعه: كاربردي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1404/3/10 | پذیرش: 1404/11/19 | انتشار: 1405/6/25 | انتشار الکترونیک: 1405/6/25
دریافت: 1404/3/10 | پذیرش: 1404/11/19 | انتشار: 1405/6/25 | انتشار الکترونیک: 1405/6/25
فهرست منابع
1. Q. Gao, T. Huang, K. Zhao, H. Shao, and B. Jin, "Multi-source weighted source-free domain transfer method for rotating machinery fault diagnosis," Expert Syst. Appl., vol. 237, 2024, doi: 10.1016/j.eswa.2023.121585. [DOI:10.1016/j.eswa.2023.121585]
2. H. Guan and M. Liu, "Domain Adaptation for Medical Image Analysis: A Survey," IEEE Trans. Biomed. Eng., vol. 69, no. 3, pp. 1173-1185, 2022, doi: 10.1109/TBME.2021.3117407. [DOI:10.1109/TBME.2021.3117407]
3. G. Ma, J. Lu, and G. Zhang, "Multisource Domain Adaptation With Interval-Valued Target Data via Fuzzy Neural Networks," IEEE Trans. Fuzzy Syst., vol. 32, no. 5, pp. 3094-3106, 2024, doi: 10.1109/TFUZZ.2024.3367456. [DOI:10.1109/TFUZZ.2024.3367456]
4. F. Zhuang et al., "A Comprehensive Survey on Transfer Learning," Proc. IEEE, vol. 109, no. 1, pp. 43-76, Jan. 2021, doi: 10.1109/JPROC.2020.3004555. [DOI:10.1109/JPROC.2020.3004555]
5. M. Gholizade, H. Soltanizadeh, M. Rahmanimanesh, and S. S. Sana, "A review of recent advances and strategies in transfer learning," Int. J. Syst. Assur. Eng. Manag., Feb. 2025, doi: 10.1007/s13198-024-02684-2. [DOI:10.1007/s13198-024-02684-2]
6. M. Moradi, M. Rahmanimanesh, A. Shahzadi, and R. Monsefi, "Smooth unsupervised domain adaptation considering uncertainties," Inf. Sci. (Ny)., vol. 648, 2023, doi: 10.1016/j.ins.2023.119602. [DOI:10.1016/j.ins.2023.119602]
7. G. Tang, C. Chen, Y. Li, L. Liu, C. Yi, and J. Lin, "Integrating Demodulation Techniques With Multisource Transfer Learning for Intelligent Fault Diagnosis of Bearings," IEEE Trans. Instrum. Meas., vol. 74, pp. 1-10, 2025, doi: 10.1109/TIM.2025.3548074. [DOI:10.1109/TIM.2025.3548074]
8. قلی زاده معصومه، سلطانی زاده هادی، رحمانی منش محمد، «یادگیری انتقالی چندمنبعی مبتنی بر قواعد فازی برای بهبود دقت طبقه‌بندی تصاویر»، پردازش علائم و داده‌ها، ۱۴۰۳; ۲۱ (۴) :۴۹-۶۶.
8. M. Gholizade, H. Soltanizadeh, and M. Rahmanimanesh, "Multi-Source Transfer Learning Based on Fuzzy Rules for Improving Image Classification Accuracy," Signal Data Process., vol. 21, no. 4, pp. 49-66, 2025, doi: 10.61186/jsdp.21.4.49. [DOI:10.61186/jsdp.21.4.49]
9. S. Zhao et al., "Multi-source multi-modal domain adaptation," Inf. Fusion, vol. 117, 2025, doi: 10.1016/j.inffus.2024.102862. [DOI:10.1016/j.inffus.2024.102862]
10. M. Gholizade, H. Soltanizadeh, and M. Rahmanimanesh, "A Survey of Transfer Learning and Categories," Model. Simul. Electr. Electron. Eng., vol. 1, no. 3, pp. 17-25, 2021, doi: 10.22075/mseee.2021.23310.1062.
11. M. Moradi, M. Rahmanimanesh, and A. Shahzadi, "Unsupervised domain adaptation by incremental learning for concept drifting data streams," Int. J. Mach. Learn. Cybern., vol. 15, no. 9, pp. 4055-4078, Sep. 2024, doi: 10.1007/s13042-024-02135-1. [DOI:10.1007/s13042-024-02135-1]
12. M. Moradi, M. Rahmanimanesh, and A. Shahzadi, "Learning from streaming data with unsupervised heterogeneous domain adaptation," Int. J. Data Sci. Anal., vol. 19, no. 1, pp. 61-81, 2025, doi: 10.1007/s41060-023-00463-z. [DOI:10.1007/s41060-023-00463-z]
13. Y. Zhu, W. Yu, and X. Li, "A Multi-objective transfer learning framework for time series forecasting with Concept Echo State Networks," Neural Networks, vol. 186, p. 107272, Jun. 2025, doi: 10.1016/j.neunet.2025.107272. [DOI:10.1016/j.neunet.2025.107272]
14. S. J. Pan, I. W. Tsang, J. T. Kwok, and Q. Yang, "Domain adaptation via transfer component analysis," IJCAI Int. Jt. Conf. Artif. Intell., pp. 1187-1192, 2009.
15. M. Moradi, M. Rahmanimanesh, and A. Shahzadi, "Transfer learning for concept drifting data streams in heterogeneous environments," Knowl. Inf. Syst., vol. 66, no. 5, pp. 2799-2857, 2024, doi: 10.1007/s10115-023-02043-w. [DOI:10.1007/s10115-023-02043-w]
16. K. Li, J. Lu, H. Zuo, and G. Zhang, "Multi-Source Contribution Learning for Domain Adaptation," IEEE Trans. Neural Networks Learn. Syst., vol. 33, no. 10, pp. 5293-5307, 2022, doi: 10.1109/TNNLS.2021.3069982. [DOI:10.1109/TNNLS.2021.3069982]
17. K. Yang, J. Lu, W. Wan, and G. Zhang, "Multi-source transfer regression via source-target pairwise segment," Inf. Sci. (Ny)., vol. 556, pp. 389-403, 2021, doi: 10.1016/j.ins.2020.09.074. [DOI:10.1016/j.ins.2020.09.074]
18. C. X. Ren, Y. H. Liu, X. W. Zhang, and K. K. Huang, "Multi-Source Unsupervised Domain Adaptation via Pseudo Target Domain," IEEE Trans. Image Process., vol. 31, pp. 2122-2135, 2022, doi: 10.1109/TIP.2022.3152052. [DOI:10.1109/TIP.2022.3152052]
19. X. Lu, T. Gong, and X. Zheng, "Multisource Compensation Network for Remote Sensing Cross-Domain Scene Classification," IEEE Trans. Geosci. Remote Sens., vol. 58, no. 4, pp. 2504-2515, 2020, doi: 10.1109/TGRS.2019.2951779. [DOI:10.1109/TGRS.2019.2951779]
20. A. Khattar and S. M. K. Quadri, "Multi-source domain adaptation of social media data for disaster management," Multimed. Tools Appl., vol. 82, no. 6, pp. 9083-9111, 2023, doi: 10.1007/s11042-022-13456-0. [DOI:10.1007/s11042-022-13456-0]
21. H. Zuo, J. Lu, G. Zhang, and F. Liu, "Fuzzy Transfer Learning Using an Infinite Gaussian Mixture Model and Active Learning," IEEE Trans. Fuzzy Syst., vol. 27, no. 2, pp. 291-303, 2019, doi: 10.1109/TFUZZ.2018.2857725. [DOI:10.1109/TFUZZ.2018.2857725]
22. H. Zuo, J. Lu, G. Zhang, and W. Pedrycz, "Fuzzy Rule-Based Domain Adaptation in Homogeneous and Heterogeneous Spaces," IEEE Trans. Fuzzy Syst., vol. 27, no. 2, pp. 348-361, 2019, doi: 10.1109/TFUZZ.2018.2853720. [DOI:10.1109/TFUZZ.2018.2853720]
23. J. Lu, H. Zuo, and G. Zhang, "Fuzzy Multiple-Source Transfer Learning," IEEE Trans. Fuzzy Syst., vol. 28, no. 12, pp. 3418-3431, 2020, doi: 10.1109/TFUZZ.2019.2952792. [DOI:10.1109/TFUZZ.2019.2952792]
24. H. Zuo, G. Zhang, W. Pedrycz, V. Behbood, and J. Lu, "Fuzzy Regression Transfer Learning in Takagi-Sugeno Fuzzy Models," IEEE Trans. Fuzzy Syst., vol. 25, no. 6, pp. 1795-1807, 2017, doi: 10.1109/TFUZZ.2016.2633376. [DOI:10.1109/TFUZZ.2016.2633376]
25. S. A. Solla, T. K. Leen, and C. E. Rasmussen, "in Advances in Neural Information Processing Systems 12 The Infinite Gaussian Mixture Model," pp. 554-560, 2000, [Online]. Available: http://bayes.imm.dtu.dk
26. H. Zuo, G. Zhang, W. Pedrycz, V. Behbood, and J. Lu, "Granular Fuzzy Regression Domain Adaptation in Takagi-Sugeno Fuzzy Models," IEEE Trans. Fuzzy Syst., vol. 26, no. 2, pp. 847-858, 2018, doi: 10.1109/TFUZZ.2017.2694801. [DOI:10.1109/TFUZZ.2017.2694801]
27. S. De Vito, E. Massera, M. Piga, L. Martinotto, and G. Di Francia, "On field calibration of an electronic nose for benzene estimation in an urban pollution monitoring scenario," Sensors Actuators, B Chem., vol. 129, no. 2, pp. 750-757, 2008, doi: 10.1016/j.snb.2007.09.060. [DOI:10.1016/j.snb.2007.09.060]
28. P. Tüfekci, "Prediction of full load electrical power output of a base load operated combined cycle power plant using machine learning methods," Int. J. Electr. Power Energy Syst., vol. 60, pp. 126-140, 2014, doi: 10.1016/j.ijepes.2014.02.027. [DOI:10.1016/j.ijepes.2014.02.027]
29. B. Gong, Y. Shi, F. Sha, and K. Grauman, "Geodesic flow kernel for unsupervised domain adaptation," Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 2066-2073, 2012, doi: 10.1109/CVPR.2012.6247911. [DOI:10.1109/CVPR.2012.6247911]
30. B. Fernando, A. Habrard, M. Sebban, and T. Tuytelaars, "Unsupervised visual domain adaptation using subspace alignment," Proc. IEEE Int. Conf. Comput. Vis., pp. 2960-2967, 2013, doi: 10.1109/ICCV.2013.368. [DOI:10.1109/ICCV.2013.368]
31. S. J. Pan, I. W. Tsang, J. T. Kwok, and Q. Yang, "Domain adaptation via transfer component analysis," IEEE Trans. Neural Networks, vol. 22, no. 2, pp. 199-210, 2011, doi: 10.1109/TNN.2010.2091281. [DOI:10.1109/TNN.2010.2091281]
32. C. Yang, Z. Deng, K. S. Choi, and S. Wang, "Takagi-Sugeno-Kang transfer learning fuzzy logic system for the adaptive recognition of epileptic electroencephalogram signals," IEEE Trans. Fuzzy Syst., vol. 24, no. 5, pp. 1079-1094, 2016, doi: 10.1109/TFUZZ.2015.2501438. [DOI:10.1109/TFUZZ.2015.2501438]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |