Lateral enhancement in adaptive metric learning for functional data

مقدار داده های عملیاتی موجود مانند سری زمانی و طیف های فراوانی در سنجش از راه دور به سرعت در حال رشد است و نیاز به پردازش کارآمد با توجه به دانش در مورد این ویژگی های خاص داده است. معمولا این داده ها یک بعدی هستند اما با همبستگی ذاتی بین ابعاد بردار همسایه که منعکس کننده ویژگی های عملکردی است. به ویژه برای چنین داده های اطلاعات بی نظیر، سازگاری متریک ابزار مهمی در چندین روش یادگیری برای تبعیض داده ها و نمایندگی نادر است. یک گروه مهم یادگیری متریک مرتبط بودن و یادگیری ماتریسی در کوانتیزاسیون بردار است. انواع کاربردی مرتبط بودن و یادگیری ماتریس در این مقاله در نظر گرفته شده است. برای یادگیری کارآمد از این ارتباطات عملکردی و وزنهای ماتریس، ما پیشنهاد استفاده از همبستگی مکانی فضایی در مورد ابعاد بردار را پیشنهاد می کنیم. ما نشان می دهیم که این طرح افزایش کارآیی می تواند به عنوان یک اندازه گیری غیرمستقیم جدید در بردار کوانتیزاسیون استاندارد بردار یادگیری دیده شود، تاکید بر جنبه های داده های عملکردی، به طوری که جنبه های نظری مانند تحلیل حاشیه معتبر می باشند.