Derin sinir ağlarında çoklu veri setlerinin birlikte öğrenilmesi için genetik algoritma ve ikili maskeler

Bu çalışma, veri sınıflandırma ve analizi alanında, özellikle Evrişimli Sinir Ağları (CNN'ler) kullanımında karşılaşılan 'felaket unutma' ve 'çoklu görev öğrenme' zorluklarını ele almaktadır. Çalışmanın amacı, bu sorunları genetik algoritmalar kullanarak çözmektir. Yöntemsel olarak, birden fazla veri seti için CNN modellerini özelleştirmek için katman bazlı ikili maskeler kullanan bir optimizasyon stratejisi geliştirilmiştir. Genetik algoritmalar, her veri seti için ikili bir maske optimize etmek amacıyla sezgisel bir arama yöntemi olarak kullanılmıştır. MNIST, Fashion MNIST ve KMNIST gibi yaygın kullanılan veri setlerinde deneyler yapılmıştır. Elde edilen sonuçlar oldukça etkileyicidir; MNIST için %76.25, Fashion MNIST için %76 ve KMNIST için %74.43 sınıflandırma doğruluğu elde edilmiştir. Bu bulgular, önerilen yaklaşımın sadece tek bir görev için değil, birden çok görev için de yüksek performanslı modeller oluşturabileceğini göstermektedir.