| تعداد نشریات | 63 |
| تعداد شمارهها | 2,282 |
| تعداد مقالات | 18,834 |
| تعداد مشاهده مقاله | 59,451,650 |
| تعداد دریافت فایل اصل مقاله | 30,416,056 |
چارچوبی برای یکپارچه سازی یادگیری انتقالی و هوش جمعی در غلبه بر رژیم کمداده در کسبوکارهای نوظهور | ||
| مطالعات مدیریت کسب و کار هوشمند | ||
| مقاله 8، دوره 15، شماره 55، اردیبهشت 1405، صفحه 337-374 اصل مقاله (2.07 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/ims.2026.87652.2661 | ||
| نویسندگان | ||
| مریم نورائی آباده* 1؛ شهره آجودانیان2؛ سندس بهادری3 | ||
| 1گروه مهندسی کامپیوتر، واحد آبادان، دانشگاه آزاد اسلامی، آبادان، ایران | ||
| 2دانشکده موضوعی هوشمصنوعی و فناوریهای اجتماعی و پیشرفته، واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایران، | ||
| 3گروه مهندسی کامپیوتر، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران، | ||
| چکیده | ||
| کسبوکارهای نوظهور در مراحل آغازین هوشمندسازی دادهمحور با چالش شروع سرد مواجهاند، زیرا تنها به حجم محدودی از دادههای واقعی دامنهای برای آموزش و اعتبارسنجی مدلهای هوش مصنوعی دسترسی دارند. این محدودیت داده، همراه با ناسازگاری دادههای عمومی با نیازهای خاص هر کسبوکار، منجر به کاهش دقت پیشبینیها و کیفیت توصیهها میشود. علاوه بر این، پویایی محیطهای تجاری و تغییرات سریع در توزیع داده و مفاهیم (نظیر انحراف داده و تغییر مفهوم)، خطر فراموشی دانش پیشین در یادگیری را تشدید میکند. چارچوب پیشنهادی این پژوهش، یک معماری یکپارچه و مقیاسپذیر برای ادغام یادگیری انتقالی و هوش جمعی ارائه میدهد. چارچوب پیشنهادی چهار لایه دارد: پیشپردازش دادهها، یادگیری انتقالی، تقویت با بازخورد کاربران، و پیشبینی پیوسته با پایش انحراف. در این چارچوب، دادههای آموزشی ترکیبی از دادههای واقعی، عمومی و بازخورد کاربران هستند و بهینهسازی مدل با هدف کمینهسازی خطا و کنترل پیچیدگی انجام میگیرد. ارزیابی تجربی بر روی سه مجموعهداده واقعی نشان داد که این رویکرد بهبود مطلوبی در عملکرد ایجاد میکند. علاوه بر معیار دقت، سایر شاخصها همچون توانایی شناسایی نمونههای مثبت، تعادل میان دقت و بازخوانی، کاهش خطا و ثبات در برابر تغییرات داده نیز بهبود داشتند. | ||
| کلیدواژهها | ||
| یادگیری انتقالی؛ هوش جمعی؛ انحراف داده؛ رژیم کمداده؛ کسبوکارهای نوظهور | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
Adewale, T. (2024). "Transfer Learning Applications in Cross-Market Investment Strategies."
Ali, W., X. Zhou and J. Shao (2025). "Privacy-preserved and responsible recommenders: From conventional defense to federated learning and blockchain." ACM Computing Surveys 57(5): 1-35. https://doi.org/10.1145/3708982.
Alzubaidi, L., M. A. Fadhel, O. Al-Shamma, J. Zhang, J. Santamaría, Y. Duan and S. R. Oleiwi (2020). "Towards a better understanding of transfer learning for medical imaging: a case study." Applied Sciences 10(13): 4523. https://doi.org/10.3390/app10134523.
Da, Z. and X. Huang (2020). "Harnessing the wisdom of crowds." Management Science 66(5): 1847-1867. https://doi.org/10.1287/mnsc.2019.3294.
Fayaz-Bakhsh, M., D. Ataee and M. Fazli (2025). "Cold Start Active Preference Learning in Socio-Economic Domains." arXiv preprint arXiv: https://doi.org/10.48550/arXiv.2508.05090.
Frikha, A. (2022). Deep knowledge transfer for generalization across tasks and domains under data scarcity, lmu. https://doi.org/10.5282/edoc.30833.
Gunasekaran, S. S., S. A. Mostafa and M. S. Ahmad (2015). Knowledge transfer model in collective intelligence theory. Advances in Intelligent Informatics, Springer: 481-491.
Hedderich, M. A., L. Lange, H. Adel, J. Strötgen and D. Klakow (2020). "A survey on recent approaches for natural language processing in low-resource scenarios.". https://doi.org/10.48550/arXiv.2010.12309.
Huang, Y.-C. and Y.-C. Chin (2018). "Transforming collective knowledge into team intelligence: the role of collective teaching." Journal of Knowledge Management 22(6): 1243-1263. https://doi.org/10.1108/JKM-03-2018-0186.
Irshad, M. S., Q. Xin and H. Arshad (2018). "Competitiveness of Pakistani rice in international market and export potential with global world: A panel gravity approach." Cogent Economics & Finance 6(1): 1486690. https://doi.org/10.1080/23322039.2018.1486690.
Jafri, S. I. H., R. Ghazali, I. Javid, Z. Mahmood and A. A. A. Hassan (2022). "Deep transfer learning with multimodal embedding to tackle cold-start and sparsity issues in recommendation system." Plos one 17(8): e0273486. https://doi.org/10.1371/journal.pone.0273486.
Jeon, H. J., S. Liu, Y. Li, J. Lyu, H. Song, J. Liu, P. Wu and Z. Zhu (2024). "Epinet for Content Cold Start." arXiv preprint arXiv:2412.04484. https://doi.org/10.48550/arXiv.2412.04484.
Kairouz, P., H. B. McMahan, B. Avent, A. Bellet, M. Bennis, A. N. Bhagoji, K. Bonawitz, Z. Charles, G. Cormode and R. Cummings (2021). "Advances and open problems in federated learning." Foundations and trends® in machine learning 14(1–2): 1-210. https://doi.org/10.1561/2200000083.
Kamar, E., S. Hacker and E. Horvitz (2012). Combining human and machine intelligence in large-scale crowdsourcing. Aamas. https://doi.org/10.5555/2343576.2343643.
Kazai, G., J. Kamps and N. Milic-Frayling (2013). "An analysis of human factors and label accuracy in crowdsourcing relevance judgments." Information retrieval 16(2): 138-178. https://doi.org/10.1007/s10791-012-9205-0.
Lam, X. N., T. Vu, T. D. Le and A. D. Duong (2008). Addressing cold-start problem in recommendation systems. Proceedings of the 2nd international conference on Ubiquitous information management and communication. https://doi.org/10.1145/1352793.1352837.
Lao, D., X. Yang, Q. Wu and J. Yan (2022). Variational inference for training graph neural networks in low-data regime through joint structure-label estimation. Proceedings of the 28th ACM SIGKDD conference on knowledge discovery and data mining. https://doi.org/10.1145/3534678.3539283.
Li, S., S. A. Mohd Noah and Y. Xu "Drn-Cskt: Solving Cold-Start in Knowledge Tracing with Disentangled Attention and Retentive Networks."
Nerurkar, I. M. K. C. B. (2025). "The Role of Transfer Learning in Low-Data Regimes: Applications and Challenges."
Pan, S. J. and Q. Yang (2009). "A survey on transfer learning." IEEE Transactions on knowledge and data engineering 22(10): 1345-1359. https://doi.org/10.1109/TKDE.2009.191.
Paschek, D., C. T. Luminosu and A. Draghici (2017). Automated business process management–in times of digital transformation using machine learning or artificial intelligence. MATEC web of conferences, EDP Sciences. https://doi.org/10.1051/matecconf/201712104007.
Pham, H., Z. Dai, G. Ghiasi, K. Kawaguchi, H. Liu, A. W. Yu, J. Yu, Y.-T. Chen, M.-T. Luong and Y. Wu (2023). "Combined scaling for zero-shot transfer learning." Neurocomputing 555: 126658. https://doi.org/10.1016/j.neucom.2023.126658.
Wang, K.-J., L. Juni Asrini, L. Sanjaya and H.-P. Nguyen (2022). "Model for deep learning-based skill transfer in an assembly process." Advanced Engineering Informatics 52: 101643. https://doi.org/10.1016/j.aei.2022.101643.
Woolley, A., C. Chabris, A. Pentland, N. Hashmi and T. Malone (2010). "Evidence of a Collective Intelligence Factor in the Performance of Human Groups." Science (New York, N.Y.) 330: 686-688. https://doi.org/10.1126/science.1193147.
Xie, J., Y. Lu, S.-C. Zhu and Y. Wu (2016). A theory of generative convnet. International conference on machine learning, PMLR. https://doi.org/10.48550/arXiv.1602.03264.
Yu, Y., R. Zhang, R. Xu, J. Zhang, J. Shen and C. Zhang (2022). "Cold-start data selection for few-shot language model fine-tuning: A prompt-based uncertainty propagation approach." arXiv preprint arXiv:2209.06995. https://doi.org/10.48550/arXiv.2209.06995.
| ||
|
آمار تعداد مشاهده مقاله: 130 تعداد دریافت فایل اصل مقاله: 14 |
||
