پشتِ پولوریا یک پژوهشگر است. در کنار کارهای طراحی و ساخت، در یادگیری ماشین، بهینهسازی و بینایی ماشین پژوهش آکادمیک میکنم — همان انضباط، در خدمت مسائل قابل اندازهگیری.
فیلم معرفی
یک معرفی کوتاه از کارها.
در تقاطع یادگیری ماشین، بهینهسازی فراابتکاری و علم دادهٔ کاربردی کار میکنم — روشهای پژوهشی را به سامانههایی تبدیل میکنم که زیر اندازهگیری دوام میآورند.
نخ تسبیح، انضباط است: یک هدف روشن، یک روش مستند، و عددی برای داوری دربارهٔ آن.
آمادهٔ همکاری برای
→همکاریهای پژوهشی
→ML و علم دادهٔ آزاد (فریلنس)
→موقعیتهای بینالمللی — اتحادیهٔ اروپا / آلمان، دکتری
نمونهکارهای منتخب
نتایج اندازهگیریشده، نه ادعا
هر پروژه بر یک سنجه استوار است. بهینهسازی جایی به کار میرود که ارزش قابل اندازهگیری بیفزاید — نه بهعنوان یک واژهٔ پرطمطراق.
تشخیص نفوذ · CICIDS2017
تشخیص نفوذ شبکه
LightGBM و Random Forest با انتخاب ویژگی GA و تبیینپذیری SHAP.
98.14% دقت · 98.6% macro F1
انتخاب ویژگی · CIC-IDS2018
انتخاب ویژگی ژنتیک
یک الگوریتم ژنتیک با DEAP روی 360K ردیف — کاهش پیچیدگی با حفظ دقت.
78 → 45 ویژگی · 42% کاهش
ابرپارامترها · CIC-IDS2018
تنظیم ابرپارامتر با PSO
بهینهسازی ازدحام ذرات یک طبقهبند LightGBM را برای macro F1 بالاتر تنظیم میکند.
+0.26% macro F1
بخشبندی · سنجش از دور
بخشبندی تصویر ماهوارهای
یک U-Net با بهینهسازی چندآستانهای GA روی ۶ کلاس پوشش زمین در تصاویر ۴ کاناله.
6 کلاس · IoU پیگیریشده
در حال انجام
تشخیص شیء · خودرو
تشخیص لوگوی Ford
یک مدل پایهٔ کانولوشنی در حال انتقال به YOLO برای تشخیص بیدرنگ لوگو.
CNN → YOLO
پژوهش و رویکرد
یک چارچوب: نخست بهینه کن، سپس تبیین کن
فراابتکاریها فضاهایی را میکاوند که روشهای گرادیانی نمیتوانند؛ یادگیری ماشین پیشبینی میکند؛ تبیینپذیری هر نتیجه را پاسخگو نگه میدارد.
01 · GA
الگوریتمهای ژنتیک
زیرمجموعههای ویژگی و آستانهها را تکامل میدهد — آنچه بهطور سنجشپذیر کمک میکند نگه میدارد و بقیه را کنار میگذارد.
02 · PSO
ازدحام ذرات
ابرپارامترهای مدل را در یک فضای پیوسته بهسوی یک هدف واحد و مشخص تنظیم میکند.
03 · ML
یادگیری ماشین
درختهای تقویتگرادیانی و شبکههای عمیق (LightGBM، U-Net) پیشبینی را انجام میدهند.
04 · XAI
هوش مصنوعی تبیینپذیر
SHAP هر پیشبینی را به ورودیهایش نسبت میدهد، تا یک نتیجه خواندنی، حسابرسیپذیر و قابل اعتماد باشد.
دقت بهتنهایی کافی نیست. در امنیت و سنجش از دور، یک تصمیم باید دفاعپذیر باشد — SHAP یک مدل را از جعبهٔ سیاه به چیزی تبدیل میکند که یک بازبین بتواند آن را بازخواست کند؛ و همین است که نتیجه را در عمل قابلاستفاده میسازد.