کنفرانس بین المللی وب پژوهی
سال:1404 | دوره:11 |تعداد مقالات:18

پیش بینی لینک در شبکه های پیچیده و گراف های پویا یکی از چالش های برجسته در تحلیل داده ها است. در این مقاله، دو رویکرد مبتنی بر یادگیری بازنمایی گره و یادگیری آنسامبل برای بهبود پیش بینی لینک ارائه شده است. در رویکرد اول، از روش های بازنمایی گره شامل شبکه های پیچشی گرافی (GCN) و GraphSAGE برای استخراج و ترکیب بردارهای بازنمایی گره ها استفاده شده است. این ترکیب به افزایش دقت مدل در بازنمایی گره ها و پیش بینی لینک ها منجر گردید. در رویکرد دوم، از مدل پیش بینی لینک پویا با یادگیری بازنمایی جفت گره ها بهره گرفته شده است. این مدل از شبکه های عصبی گرافی (GNNs) برای مدل سازی وابستگی های زمانی بین گره ها و بهبود پیش بینی لینک های آینده استفاده کرده است. علاوه بر این، برای کاهش واریانس و افزایش دقت پیش بینی، از روش یادگیری آنسامبل به صورت بگینگ استفاده شده است. در این روش، چندین مدل GraphSAGE بر روی نمونه های مختلف داده های آموزشی اجرا و نتایج آن ها ترکیب شده اند. نتایج آزمایش های شبیه سازی نشان می دهد که ترکیب این تکنیک ها به طور قابل توجهی دقت پیش بینی، کاهش خطای پیش بینی و بهبود اعتماد به نتایج مدل ها را افزایش داده است.

هدف این مقاله بررسی نقش سیستم های اطلاعاتی در تحلیل هرمنوتیکی رسانه های دیجیتال است. در عصر حاضر که با انفجار اطلاعات و تولید فزاینده داده ها در قالب های متنوع روبرو هستیم، سیستم های اطلاعاتی با ارائه دسترسی گسترده، ابزارهای تحلیلی پیشرفته و امکان درک عمیق تر پدیده ها از طریق رویکرد هرمنوتیکی، جایگاه مهمی در تحلیل رسانه های دیجیتال ایفا می کنند. این پژوهش ضمن بررسی چالش هایی نظیر اضافه بار اطلاعاتی، ارزیابی اعتبار منابع و آسیب های ناشی از فیلترهای الگوریتمی، به امکانات بی نظیر سیستم های اطلاعاتی از جمله دسترسی جهانی به منابع، سرعت و کارایی در تحلیل داده ها، تنوع رسانه ای در ارائه اطلاعات و امکان تعامل و همکاری با سایر محققان اشاره می کند. علاوه بر این، مقاله به بررسی چگونگی استفاده از اصول هرمنوتیکی در طراحی و توسعه سیستم های اطلاعاتی می پردازد. رویکرد تفسیری هرمنوتیک، با تمرکز بر بررسی معانی پنهان و زمینه های اجتماعی و فرهنگی پدیده ها، می تواند در تحلیل محتوای تولیدشده توسط کاربران، تعاملات آنلاین و پیامدهای فرهنگی ناشی از استفاده از فناوری های دیجیتال مؤثر واقع شود. ترکیب رویکردهای هرمنوتیکی و سیستم های اطلاعاتی، امکان توسعه سیستم هایی را فراهم می آورد که قادر به ارائه فهم عمیق تری از تأثیرات اجتماعی این سیستم ها هستند و ابعاد نادیده گرفته شده در طراحی های خطی و منطقی را مورد توجه قرار می دهند.

هدف طراحی مدل نوآورانه توسعه سازمانی در کتابخانه های دیجیتال ایران با بهره گیری از فناوری بلاک چین است. بلاک چین به دلیل ماهیت غیرمتمرکز خود، و به دلیل ایجاد امکان مدیریت حقوق مالکیت معنوی می تواند در مسیر دستیابی کتابخانه های دیجیتال به توسعه سازمانی اثرگذار باشد. روش تحقیق ترکیبی است و از نظر هدف، توسعه ای کاربردی است. جامعه آماری، 121 نفر از مدیران کتابخانه های دیجیتالی و متخصصان بلاک چین است که نیاز به نمونه گیری نبود. یافته ها نشان داد از میان مولفه های عناصر کلیدی توسعه سازمانی، 10 شاخص بیشترین امتیاز و بعد از آن مدیریت عملکرد و توسعه کارکنان با 7 شاخص در رتبه دوم قرار دارد و سپس پیشرفت های تکنولوژیک با 6 شاخص، بسترهای فناوری بلاک چین با 10 شاخص و مدیریت مالی سازمان با 3 شاخص به ترتیب در اولویت های 3 تا 5 قرار دارند. تبیین خط مشی جدید در کتابخانه های دیجیتیال که مولفه های توسعه سازمانی و بلاک چین در آن لحاظ شده باشد؛ برگزاری کلاس های ضمن خدمت؛ استخدام نیروی انسانی متخصص؛ تشکیل کمیته توسعه سازمانی و کمیته فناوری های نوین؛ و متقاعد نمودن مدیران بالادستی جهت تخصیص بودجه از جمله پیشنهادات حاصل از نتایج پژوهش است.

این مقاله به تحلیل نوآوری ها و بازار در نمایشگاه در تلکام 1403 پرداخته و آن را با نمایشگاه تلکام سال های گذشته مقایسه می کند. هدف اصلی تحقیق و بررسی در خصوص تغییرات عمده صورت گرفته در حوزه های خدمات ابری، هوش مصنوعی، اینترنت اشیا و ارائه روندهای نوین در صنعت فناوری اطلاعات و ارتباطات است. نتایج نشان می دهد در تلکام 1403، تمرکز بیشتر بر فناوری های نوین و هوشمندسازی محصولات، به ویژه در لایه های زیرساختی و پردازش داده ها صورت گرفته است. این مطالعه به طور خاص به تغییرات ساختاری شرکت ها در تلکام 1403 پرداخته و نشان می دهد که شرکت ها به طور فزاینده ای به سمت ارائه محصولات مبتنی بر داده و فناوری های پیشرفته حرکت کرده اند. از نوآوری های این تحقیق، مقایسه و تحلیل دقیق محصولات و خدمات ارائه شده در تلکام 1403 است که روندهای نوین فناوری و حرکت صنعت به سمت هوشمندسازی را ترسیم می کند. این پژوهش به طور خاص به شناسایی لایه های مختلف زیست بوم های فناوری (خدمات ابری، هوش مصنوعی، اینترنت اشیا) و نحوه فعالیت شرکت ها در این حوزه ها می پردازد و به بررسی تحولات در ساختار خدمات شبکه ملی اطلاعات و مراکز داده اشاره می کند. علاوه بر این، مقاله به پیش بینی روندهای آینده بازار فناوری اطلاعات و ارتباطات بر اساس تغییرات مشاهده شده پرداخته و به تحلیل تحولات نوآورانه و نقش شرکت ها در این صنعت می پردازد. این پژوهش می تواند به عنوان مرجعی برای پژوهشگران و فعالان صنعت در زمینه تحلیل و پیش بینی نوآوری ها و سمت و سوی روندهای آینده در نمایشگاه های فناوری اطلاعات و ارتباطات و نیز تحلیلی جهت بهبود راهبرد های کسب وکار در صنعت فناوری اطلاعات در ایران باشد.

رشد چشمگیر صنعت بازی های ویدیویی باعث تنوع گسترده ای از گزینه ها شده است که یافتن بازی های متناسب با علایق کاربران و در عین حال حمایت از سلامت دیجیتال آن ها را دشوار می کند. این مقاله یک سیستم خبره پیشرفته برای توصیه شخصی سازی شده بازی های ویدیویی معرفی می کند که عوامل روان شناختی، وزن دهی پویا به ترجیحات کاربر و پیشنهادهای سازگار با زمان را در بر می گیرد. برخلاف سیستم های سنتی مبتنی بر قواعد، این روش پیشنهادی وزن های توصیه را بر اساس رفتار کاربر به صورت مداوم تنظیم می کند تا اطمینان حاصل شود که تغییرات تدریجی در ترجیحات کاربر به درستی ثبت می شوند. علاوه بر این، سیستم شامل ویژگی هایی مانند کنترل والدین، فیلترگذاری بر اساس مهارت و ردیابی پیشرفت فردی است تا بازی هایی را پیشنهاد دهد که تعادل مناسبی بین سرگرمی و مزایای شناختی و عاطفی ایجاد کنند. این سیستم برای کاربران فردی و همچنین والدینی که به دنبال پیشنهادهای متناسب با سن فرزندانشان هستند طراحی شده است. توصیه ها از طریق مکانیزم وزن دهی تطبیقی تولید می شوند که بر اساس تعاملات لحظه ای کاربر به طور پویا تنظیم می شود. این مقاله معماری سیستم، فرایند تصمیم گیری و مزایای آن را نسبت به رویکردهای توصیه گر موجود تشریح می کند و نشان می دهد که چگونه تجربیات شخصی سازی شده در بازی می توانند تعامل و سلامت دیجیتال را بهبود بخشند.

بیماری قلبی در رتبه بالایی از علل مرگ و میر در جهان قرار دارد. اگر روند فعلی ادامه یابد، 23. 6 میلیون نفر در سال 2030 آینده براثر بیماری قلبی خواهند مرد. داده های پزشکی همواره در حال به روز شدن است و پزشکان معمولاً اطلاعات ارزشمندی را در خصوص بیماری ها و ارتباطات آن با یکدیگر و عوامل ایجادکننده بیماری ها به دست می آورند؛ اما این مجموعه داده های خام به خودی خود ارزشی ندارند، برای معنی بخشیدن به این داده ها باید آن ها را تحلیل و تبدیل به اطلاعات یا بهتر از آن ها دانش کرد. این پژوهش به منظور پیش بینی احتمال خطر بیماری قلبی بر روی مجموعه داده بیماران قلبی کلیولند انجام می شود. مجموعه داده آن شامل 303 نمونه و 76 ویژگی است که تمام آزمایش های انجام شده روی 14 ویژگی اصلی از آن اشاره دارد و فیلد هدف که دارای دو کلاس 1 و 0 است هرکدام به ترتیب دارای مقادیر 138 و 165 نمونه است وضعیت نهایی فرد را که بیمار و یا نرمال خواهد بود، نشان می دهد. داده ها نیاز به متوازن سازی از طریق روش بیش نمونه گیری تصادفی داشتند و پس از متوازن سازی از طریق تکنیک بیش نمونه گیری تصادفی داده های هر دو کلاس به مقدار 242 رسیدند. مجموعه داده به دو دسته آموزش و تست با درصد 20 به 80 صورت گرفته است. از پنج تکنیک پرتکرار در این پژوهش به منظور مقایسه عملکرد مدل پیشنهادی استفاده شده است که شامل، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، رگرسیون لجستیک، بیز ساده بود. مدل پیشنهادی از ترکیب دو طبقه بند آدابوست و شبکه عصبی هم گشتی ساخته شده است که دقت 87 درصد را به دست آورد.

در دنیای دیجیتال، آگهی های استخدامی جعلی به یک چالش امنیتی جدی تبدیل شده اند. این مقاله روش های محاسباتی برای تشخیص این آگهی ها، شامل یادگیری ماشین، یادگیری عمیق، تحلیل ویژگی های محتوایی و زمینه ای، و جمع سپاری (Crowdsourcing) را بررسی می کند. با جستجو در پایگاه های معتبر علمی مانند Google Scholar و پس از حذف مقالات تکراری و غربال عنوان، چکیده و کلمات کلیدی و تنها با لحاظ کردن مقالات منتشر شده در مراجع علمی معتبر، 30 پژوهش در محدوده بررسی تشخیص داده شد و از جنبه های مختلف مورد بررسی قرار گرفت. دیتاست های رایج معرفی شدند و الگوریتم های یادگیری ماشین و مدل های یادگیری عمیق دارای دقت بالا برای شناسایی آگهی های جعلی گزارش شدند. همچنین با توجه به چالش نامتوازن بودن داده، استفاده از تکنیک هایی مانند SMOTE و روش های ترکیبی نیز شناسایی شد. نتایج نشان می دهد ترکیب یادگیری ماشین و جمع سپاری دقت تشخیص را افزایش می دهد. توسعه سیستم های هوشمند، به روزرسانی پایگاه های داده، و آموزش کاربران راهکارهای کلیدی برای مقابله با این پدیده هستند.

الگوریتم بهینه سازی ازدحام ذرات یکی از روش های بهینه سازی مبتنی بر هوش جمعی است که برای حل مسائل بهینه سازی جهانی توسعه یافته است. این الگوریتم با الهام از رفتار اجتماعی گروه هایی مانند پرندگان یا ماهی ها طراحی شده و با بهره گیری از تعاملات بین ذرات، فضای جستجو را برای یافتن بهترین راه حل کاوش می کند. به دلیل سادگی، نیاز کم به حافظه، و عملکرد محاسباتی بالا، این روش در حل مسائل پیچیده غیرخطی و برنامه ریزی بهینه سازی کاربرد گسترده ای یافته است. بااین حال، چالش هایی مانند همگرایی زودرس و حساسیت به تنظیم پارامترها از محدودیت های این الگوریتم به شمار می روند. در سال های اخیر، نسخه های مختلفی از این الگوریتم با اصلاح قوانین به روزرسانی، تنظیم پارامترها، و ترکیب با سایر روش ها برای بهبود عملکرد توسعه یافته اند. این مقاله مروری بر مطالعات انجام شده در بازه زمانی 2017 تا 2024 ارائه می دهد و کاربردهای الگوریتم بهینه سازی ازدحام ذرات را در حوزه های مختلف از جمله یادگیری فدرالی، شبکه های عصبی، انتخاب ویژگی، خوشه بندی داده ها و برنامه ریزی مسیر ربات ها بررسی می کند. همچنین، روش های بهبودیافته این الگوریتم و کاربردهای آن تحلیل شده و پیشنهادهایی برای تحقیقات آینده مطرح می شود.

حجم عظیمی از سرمایه گذاری بانک ها در توسعه زیرساخت های هوش مصنوعی انجام شده است تا تقاضای رو به رشد برای محصولات مالی در اقتصاد برآورده شود. در همین راستا، هدف از انجام این پژوهش ارائه مدل نحوه تاثیرگذاری ChatGPT در بانکداری الکترونیک با رویکرد نظریه داده بنیاد در بانک کشاورزی ایران بود. همچنین روش پژوهش حاضر براساس شیوه گردآوری داده ها، یک پژوهش توصیفی است و نوع داده ها نیز کیفی می باشد. جامعه آماری پژوهش حاضر، مدیران و کارشناسان فنی بانک کشاورزی و افراد خبره و آشنا به ساختار بانکداری الکترونیک مبتنی بر وب بودند. نمونه گیری آماری این پژوهش به روش نمونه گیری غیرتصادفی از نوع هدفمند است. در نهایت با تعداد 10 نفر از خبرگان مصاحبه شد و مصاحبه ها مورد تحلیل قرار گرفت. در تجزیه و تحلیل داده ها از تکنیک نظریه داده بنیاد بهره گرفته شده است. ازکدهای اولیه بدست آمده از مصاحبه ها، تعداد 49 کد ثانویه حاصل گردید. کدهای ثانویه بدست آمده در قالب 17 مفهوم تقسیم بندی شد. از این مفاهیم، 8 مفهوم در سایر پژوهش ها به آنها اشاره نشده است و اولین بار در این پژوهش گزارش شده است.

در عصر دیجیتال، طبقه بندی دقیق صفحات وب نقشی اساسی در بهینه سازی موتورهای جستجو (SEO) و ارتقای کیفیت بازیابی اطلاعات ایفا می کند. افزایش حجم داده ها و پیچیدگی ساختاری صفحات وب، محدودیت های روش های سنتی مبتنی بر تطابق کلمات کلیدی را آشکار ساخته است. در این پژوهش، یک مدل ترکیبی مبتنی بر شبکه عصبی پیچشی (CNN) و حافظه کوتاه مدت طولانی (LSTM) برای طبقه بندی صفحات وب بر اساس معیارهای سئو ارائه شده است. در این روش، CNN ویژگی های متنی و ساختاری صفحات را استخراج کرده و سپس LSTM روابط معنایی میان واژه ها را تحلیل می کند. برای آموزش و ارزیابی مدل، مجموعه داده ای شامل صفحات وب برچسب گذاری شده از منابع معتبر مورد استفاده قرار گرفته است. عملکرد مدل پیشنهادی با استفاده از معیارهای دقت (Accuracy)، صحت (Precision)، یادآوری (Recall) و امتیاز F1 سنجیده شده است. نتایج نشان می دهد که مدل پیشنهادی به دقت 97. 21% دست یافته و نسبت به روش های یادگیری عمیق پیشین، عملکرد بهتری دارد. این یافته ها نشان می دهند که مدل ارائه شده می تواند به عنوان یک ابزار مؤثر در بهینه سازی رتبه بندی صفحات وب و افزایش کارایی موتورهای جستجو به کار گرفته شود.

تشخیص دقیق و به موقع سقوط به ویژه برای سالمندان از اهمیت بالایی برخوردار است. تشخیص سقوط به عنوان یکی از مسائل مهم در حوزه سلامت هوشمند، توجه بسیاری از پژوهشگران را به خود جلب کرده است. در این مقاله، یک رویکرد مبتنی بر یادگیری عمیق گروهی با استفاده از داده های حسگرهای پوشیدنی در بستر اینترنت اشیا برای بهبود دقت و کاهش خطاهای تشخیص سقوط ارائه شده است. در روش پیشنهادی پس از آماده سازی داده ای، استخراج ویژگی، مهندسی ویژگی انجام شده و سپس برای یادگیری عمیق ترکیبی از پنج شبکه عصبی کانولوشن استفاده شده است که نتایج نهایی پیشبینی به صورت رای گیری مشخص خواهد شد. براساس نتایج شبیه سازی بر روی مجموعه داده SisFall روش پیشنهادی از کارایی بهتری نسبت به روش های کلاسیک یادگیری ماشین و روش شبکه عصبی کانولوشن استاندارد برخوردار است.

با گسترش روزافزون استفاده از خدمات ابری و پیچیدگی لایه های مختلف آن شامل زیرساخت به عنوان سرویس (IaaS)، پلتفرم به عنوان سرویس (PaaS) و نرم افزار به عنوان سرویس (SaaS)، نظارت بر این خدمات و ارزیابی عملکرد آن ها به چالشی بزرگ تبدیل شده است. در این مقاله یک معماری برای رصد خدمات ابری پیشنهاد می شود که هدف آن نظارت بهینه بر لایه های مختلف خدمات ابری از طریق استخراج شاخص ها و تحلیل عملکرد است. معماری پیشنهادی با استفاده از یک رویکرد ترکیبی استخراج داده و تحلیل شاخص ها، قادر به تحلیل وضعیت عملکرد، مقیاس پذیری و کیفیت خدمات در هر یک از این لایه ها است. معماری پیشنهادی در مقایسه با معماری های مشابه از جنبه های مقیاس پذیری، قابلیت رصد خودکار، پشتیبانی چند لایه ای، رصد کیفیت خدمات، رصد امنیت، یکپارچگی با سایر سیستم ها، تحلیل پیش بینانه داده ها با استفاده روش های هوش مصنوعی و یادگیری، قابلیت انطباق با نیازهای متغیر رصد و همزمان شفافیت و گزارش دهی، عملکرد بهتری دارد. بنابراین معماری پیشنهادی، جامع و مناسب برای رصد همزمان و خودکار لایه های مختلف خدمات ابری می باشد و به طور خاص به نیازهای مقیاس پذیری و کارایی در محیط های ابری بزرگ مقیاس پاسخ می دهد. این مقاله همچنین به بررسی چالش ها و موانع احتمالی در پیاده سازی معماری های رصد در مقیاس جهانی پرداخته و راه حل های عملی و کاربردی برای حل این چالش ها در معماری پیشنهادی ارائه می دهد. استفاده از این معماری، به مدیران خدمات ابری امکان می دهد تا مشکلات عملکردی، تهدیدات بالقوه و کمبودهای مقیاس پذیری را شناسایی کرده و به طور مؤثر به بهبود کیفیت خدمات بپردازند.

قراردادهای هوشمند یکی از دستاوردهای مهم بلاکچین به شمار می روند که تغییرات چشمگیری در حوزه های مختلف مانند دیجیتال، مالی و صنعتی به وجود آورده اند. این نوع قراردادها در قالب کدهایی ذخیره شده روی شبکه بلاکچین عمل می کنند و با حذف واسطه ها، فرآیندهای مختلف را خودکار و امن تر می سازند. در این مطالعه، نحوه عملکرد این قراردادها و کاربرد آن ها در پلتفرم های شناخته شده ای مثل اتریوم، Hyperledger Fabric و EOSIO بررسی شده است. همچنین، نقش قراردادهای هوشمند در حوزه هایی از جمله زنجیره تأمین، پزشکی و صنعت مورد توجه قرار گرفته است. با وجود اینکه محدودیت هایی مانند مشکلات مقیاس پذیری، هزینه های بالا و مسائل امنیتی وجود دارد، اما قراردادهای هوشمند به عنوان ابزاری مؤثر پتانسیل بالایی برای بازطراحی ساختارهای اقتصادی و دیجیتال دارند. این پژوهش با هدف شناسایی مسیرهای جدید برای توسعه این فناوری انجام شده و به ارائه راهکارهایی برای بهبود این محدودیت ها پرداخته است. نتایج نشان می دهد که این فناوری می تواند زمینه ساز پیشرفت های بزرگی در آینده باشد.

این مقاله یک بررسی جامع از تکنیک های موجود برای شناسایی و مدیریت شرایط رقابتی (Race Conditions) در سیستم های چندنخی و برنامه های تحت وب ارائه می دهد. شرایط رقابتی یکی از چالش های اصلی در توسعه نرم افزارهای هم زمان هستند که می توانند منجر به ناسازگاری داده ها، خرابی سیستم ها و ایجاد آسیب پذیری های امنیتی شوند. این مطالعه روش های مختلفی مانند تحلیل ایستا (Static Analysis) و تحلیل پویا (Dynamic Analysis) را بررسی کرده و ابزارهای پیشرفته ای مانند RacerX، RaceHunter و RACEDB را تحلیل می کند. در این بررسی، تأکید ویژه ای بر چالش های مربوط به شرایط رقابتی در لایه های منطقی برنامه ها (Business Logic) و تعاملات پایگاه داده ها (Database Interactions) شده است. نتایج این مطالعه نشان می دهد که هر یک از تکنیک های موجود دارای نقاط قوت و ضعف خاصی هستند. به عنوان مثال، روش های تحلیل ایستا با پوشش گسترده تر، اما با نرخ بالای مثبت های کاذب (False Positive) همراه هستند، در حالی که روش های پویا دقت بالاتری دارند اما نیازمند منابع پردازشی بیشتری هستند. در نهایت، مقاله با ارائه پیشنهاداتی برای تحقیقات آینده، تلاش می کند تا مسیرهایی برای بهبود ابزارها و تکنیک های تشخیص و مدیریت شرایط رقابتی مشخص کند. این پیشنهادات می توانند به پژوهشگران و توسعه دهندگان کمک کنند تا سیستم های ایمن تر و کارآمدتری طراحی کنند.

این مقاله به ارزیابی جامع مدل زبانی بزرگ LLAMA-3 برای زبان فارسی می پردازد و چالش ها و محدودیت های این زبان کم-منبع را بررسی می کند. نتایج نشان می دهد که مدل های بسته مانند-4GPT در وظایف پیچیده ای مانند استنتاج و درک عمیق زبان عملکرد بهتری دارند، در حالی که مدل های دقیق-تنظیم شده فارسی در وظیفه های مرتبط با فرهنگ و زبان فارسی بهتر عمل می کنند. این مقاله همچنین بر اهمیت محک های سفارشی، طراحی پرامپت مؤثر، و استفاده از مدل های باز برای کاهش هزینه ها و افزایش سازگاری تأکید دارد. پیشنهادهای آینده شامل بهبود زیرساخت های سخت افزاری، افزایش حجم داده های آموزشی، و گسترش وظایف آزمایشی است.

تقسیم بندی خودکار رگ های خونی شبکیه نقش حیاتی در تشخیص و پایش زودهنگام بیماری های چشمی مانند رتینوپاتی دیابتی، گلوکوم و فشار خون بالا ایفا می کند. این مطالعه یک مدل یادگیری عمیق مبتنی بر U-Net را برای تقسیم بندی عروق شبکیه ارائه می کند که شامل استخراج ویژگی های چند مقیاسی، تقویت داده ها و بهینه سازی تکنیک های پیش پردازش صورت گرفته است. روش ارائه شده بر روی مجموعه داده های معیار، DRIVE و CHASE_DB1 ارزیابی می شود و اثربخشی آن را در تقسیم بندی دقیق عروق شبکیه نشان می دهد. نتایج نشان می دهد که این مدل درمقایسه با رویکردهای موجود، حساسیت به ساختارهای عروقی را خوب حفظ می کند. علاوه بر این، این رویکرد می تواند برای تجزیه و تحلیل تصویر پزشکی آنلاین تطبیق داده شود و ابزاری بالقوه برای تشخیص از راه دور و غربالگری خودکار در تنظیمات بالینی ارائه دهد.

با گسترش اینترنت اشیا و افزایش تعداد حسگرها در محیط ابر-مه، نیاز به پاسخ های سریع و کارآمد به درخواست های پردازشی کاربران افزایش یافته است. این مقاله بر راهبرد زمان بندی وظایف با تمرکز بر ادغام زمان بندی و ذخیره سازی نتایج وظایف تأکید دارد، زیرا این ادغام راه حلی عملی برای مدیریت منابع ارائه می دهد. در حالی که تحقیقات قبلی به زمان بندی وظایف پرداخته اند، ولی به ذخیره سازی نتایج وظایف توجه کمی شده است. این مقاله به طور همزمان از هر دو روش برای کاهش زمان پاسخ و کاهش هزینه در محیط ابر-مه استفاده می کند. هدف در زمان بندی وظایف، ذخیره سازی نتایج وظایف پردرخواست برای پاسخگویی سریع به کاربران است. الگوریتم زمان بندی و ذخیره سازی در تعیین منابع مناسب برای پردازش و ذخیره سازی حیاتی است. در این تحقیق از یادگیری تقویتی برای تشخیص منابع بهینه و یک زمان بند بلادرنگ مبتنی بر بازیگر-منتقد برای محیط های ابر-مه استفاده شده است. این چارچوب از یادگیری در محیط های پویا و پیوسته با چند عامل پشتیبانی می کند. نتایج تجربی، بهبود قابل توجهی در زمان پاسخ و هزینه های عملیاتی نسبت به الگوریتم های پیشرفته مانند A3C-R2N2، DDQN، LR-MMT و LRR-MMT را نشان می دهد.

این پژوهش با هدف ارائه الگویی جامع برای بررسی تأثیر فناوری بلاک چین بر افزایش کارآمدی مدل کسب وکار صنعت بیمه انجام شد. روش تحقیق توصیفی-همبستگی با رویکرد پیمایشی بود و جامعه آماری شامل 104 فعالان فناوری اطلاعات صنعت بیمه در شهر تهران بود. داده ها از طریق پرسشنامه جمع آوری و با استفاده از نرم افزارهای SPSS و Smart PLS تحلیل شدند. یافته ها نشان داد که بلاک چین با ویژگی هایی مانند شفافیت، امنیت بالا، تغییرناپذیری و قابلیت ردیابی، می تواند کارآمدی مدل کسب وکار بیمه را از طریق کاهش هزینه ها، افزایش شفافیت، تسریع فرآیندها و ارتقای اعتماد مشتریان بهبود بخشد. این فناوری همچنین بهینه سازی فرآیندها، بهبود تعامل با مشتریان و کاهش ریسک های عملیاتی را تسهیل می کند. پژوهش بر اهمیت پذیرش بلاک چین در صنعت بیمه تأکید کرده و پیشنهاد می کند مدیران زیرساخت های لازم برای رقابت در عصر دیجیتال را فراهم کنند.