Meta-sezgisel algoritmalar ile derin sinir ağlarının hiper-parametre en iyileştirmesi

Kalp ritim bozuklukları (aritmiler), dünya çapında önde gelen ölüm nedeni olan kalp-damar hastalığının bir göstergesidir ve bir elektrokardiyogram (EKG) ile saptanabilir. Tıp uzmanlarınca elle yorumlamanın elverişsizliklerinin üstesinden gelmek için otomatik derin öğrenme yöntemleri geliştirilmiştir. Yapay sinir ağlarının başarımı, büyük ölçüde hiper-parametre en iyileştirmesine (HPEİ) bağlıdır ve bu NP-zor sorun, meta-sezgisel (MS) yöntemler için uygundur. Bu çalışmada, bir MS algoritması kullanan bir evrişimsel sinir ağı (ESA) aritmi sınıflandırıcısının HPEİ'si için yeni bir yöntem önerilmiştir. Yaklaşım, çözümlerin değerlendirmelerini saklayan ve hesaplama süresini önemli ölçüde azaltan ek bir bellek birimine sahip, bellek-geliştirmeli yapay sinek kuşu algoritması adlı bir MS yöntem varyantımızı kullanmaktadır. Çalışma ayrıca, her aday ağın hem doğruluk oranını hem de toplam parametre sayısını göz önüne alan yeni bir uygunluk işlevi önermektedir. Deneyler, MIT-BIH aritmi veri tabanından alınan işlenmemiş EKG örnekleri üzerinde gerçekleştirildi. Önerilen yöntem, üç başka MS yöntemiyle karşılaştırıldı ve %98,87'ye ulaşan sınıflandırma doğruluğu ile eşit ya da daha iyi başarım gösteren sonuçlar elde etti. Önerilen yöntem, göreceli olarak daha düşük karmaşıklık ile yüksek başarımlı bir çözüm bulma konusunda umut verici sonuçlar vermiştir.