Cải tiến mô hình học sâu dựa trên CNN và BI-LSM trong vấn đề giảm số lượng tham số và xử lý dữ liêu mất cân bằng

Tóm tắt

Bài báo trình bày các cải tiến trong mô hình học sâu kết hợp CNN và Bi-LSTM, nhằm giải quyết hai vấn đề quan trọng: dữ liệu mất cân bằng và độ phức tạp tính toán. Để đối phó với dữ liệu mất cân bằng, các kỹ thuật như SMOTE, Undersampling, và điều chỉnh trọng số lớp được áp dụng, giúp nâng cao độ chính xác cho các lớp thiểu số trong bộ dữ liệu. Kết quả thực nghiệm trên bộ dữ liệu UCI Student Performance cho thấy hiệu quả của mô hình trong việc dự đoán hiệu suất học tập của học sinh. Trong khi đó, để giảm độ phức tạp tính toán, bài báo áp dụng Depthwise Separable Convolutions nhằm giảm số lượng tham số của mô hình. Kết quả được trình bày thông qua bài toán dự báo chất lượng không khí PM2.5 tại Thành phố Hồ Chí Minh, chứng minh tính hiệu quả trong việc tiết kiệm tài nguyên tính toán mà không làm giảm hiệu suất dự đoán.