کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946030 1439265 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An ensemble approach to multi-view multi-instance learning
ترجمه فارسی عنوان
یک رویکرد گروهی برای چندین نمایش چندین نمونه یادگیری
کلمات کلیدی
چندین نمایش چند نمونه طبقه بندی، گروهی
ترجمه چکیده
یادگیری چندین نمایش داده ها را از منابع چندگانه چندگانه ترکیب می کند و اطلاعات تکمیلی آنها را برای ساخت مدل های دقیق تر به کار می گیرد. یادگیری چند نمونه نشانگر نمونه هایی است که حاوی مجموعه ای از موارد است. همگرایی داده ها از مشاهدات مختلف چند نمونه به راحتی می تواند به یک مجموعه ای از ویژگی های متصل به دلیل قدرتمند بودن و فضای ویژگی های مختلف خود را. این مقاله یک رویکرد گروهی است که ترکیبی از دیدگاه زبان آموزان و توافق در میان پیش بینی های کلاس وزن است تا بتواند از اطلاعات مکمل از دیدگاه های مختلف استفاده کند. مهم این است که این گروه باید با فضاهای مختلفی که از هر یک از دیدگاه ها برخورد می کنند برخورد کند، در حالی که داده ها برای کیسه ها ممکن است در نمایشگاه ها نمایان باشند. در این مطالعه تجربی، عملکرد این پیشنهاد را با 20 الگوریتم سنتی، گروهی و چندبعدی در مجموعه ای از 15 مجموعه داده های چندگانه ارزیابی و مقایسه می کند. نتایج تجربی نشان دهنده عملکرد بهتر روش های گروهی نسبت به تک طبقه بندی ها، اما به ویژه بهترین نتایج چندین نمونه رویکرد است. نتایج از طریق تجزیه و تحلیل آماری غیر پارامتری چندگانه معتبر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Multi-view learning combines data from multiple heterogeneous sources and employs their complementary information to build more accurate models. Multi-instance learning represents examples as labeled bags containing sets of instances. Data fusion of different multi-instance views cannot be simply concatenated into a single set of features due to their different cardinality and feature space. This paper proposes an ensemble approach that combines view learners and pursues consensus among the weighted class predictions to take advantage of the complementary information from multiple views. Importantly, the ensemble must deal with the different feature spaces coming from each of the views, while data for the bags may be partially represented in the views. The experimental study evaluates and compares the performance of the proposal with 20 traditional, ensemble-based, and multi-view algorithms on a set of 15 multi-instance datasets. Experimental results indicate the better performance of ensemble methods than single-classifiers, but especially the best results of the multi-view multi-instance approaches. Results are validated through multiple non-parametric statistical analysis.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 136, 15 November 2017, Pages 46-57
نویسندگان
,