مروری بر جدید ترین روش ‌های انتخاب ویژگی در یادگیری عمیق توسط الگوریتم های فرا ابتکاری برای داده های حوزه پزشکی

امروزه برای حل مسائل مختلف در دنیای محاسبات از تکنیک ‌های گوناگونی استفاده می‌شود. الگوریتم های فرا ابتکاری قادر به ارائه راه حل های عملی هستند. با توجه به کارایی این الگوریتم ها، داده های مراقبت های بهداشتی برای تشخیص بیماری ها نسبت به روش های سنتی کارایی بهتری دارند. یکی از کار های مهم در یادگیری ماشین انتخاب ویژگی است. کاهش ابعاد مجموعه ویژگی با حفظ دقت عملکرد، هدف اصلی مشکل انتخاب ویژگی است. روش های مختلفی برای طبقه بندی مجموعه داده ها ارائه شده است. این مقاله یک مرور ادبیاتی در حل مسئله انتخاب ویژگی با استفاده از الگوریتم‌ های فرا ابتکاری در سال های 2020-2023 ارائه می ‌کند. هدف اصلی این مطالعه ارائه مشارکت محققان با نشان دادن روش ‌شناسی آن ها برای پیش‌بینی بیماری‌ ها با استفاده از تکنیک‌ های فرا ابتکاری است. در این مقاله الگوریتم‌ های مبتنی بر روش ‌های هوش جمعی بررسی شده است. الگوریتم های فرا ابتکاری در حل مسئله انتخاب ویژگی بر اساس معماری مورد استفاده، نوع بیماری، اهداف و محدویت های آن ها بررسی شده اند. انتظار می‌رود ارایه یک نمای کلی از انواع روش های مختلف همراه با مزایا و معایب آن ‌ها، محققان را به بررسی روش ‌های پیشرفته‌ تر تشویق کند. همچنین ارائه راهنمایی برای متخصصان در انتخاب روش ‌های مناسب مورد استفاده در سناریو های دنیای واقعی باشد و محدودیت ‌ها و مسائل بالقوه برای تحقیقات آینده را مورد بحث قرار دهد.

a review of the latest feature selection methods in deep learning by meta-heuristic algorithms for medical data

today, various techniques are used to solve various problems in the computing world. meta-heuristic algorithms are able to provide practical solutions. due to the efficiency of these algorithms, health care data are more efficient than traditional methods for diagnosing diseases. one of the important tasks in machine learning is feature selection. reducing the dimensionality of the feature set while maintaining the performance accuracy is the main goal of the feature selection problem. various methods have been presented to classify the data set. this article presents a literature review in solving the problem of feature selection using meta-heuristic algorithms in the years 2020-2023. the main purpose of this study is to present the contribution of researchers by showing their methodology to predict diseases using meta-inventory techniques. in this article, algorithms based on collective intelligence methods have been reviewed. meta-heuristic algorithms in solving the problem of feature selection based on the used architecture, type of disease, goals and their limitations have been investigated. it is expected that providing an overview of different types of methods along with their advantages and disadvantages will encourage researchers to investigate more advanced methods. it also provides guidance for practitioners in selecting appropriate methods to be used in real-world scenarios and discusses potential limitations and issues for future research.