کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10145935 1646379 2019 27 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An efficient method for clustered multi-metric learning
ترجمه فارسی عنوان
یک روش کارآمد برای یادگیری چندجمله ای خوشه ای
کلمات کلیدی
یادگیری چند متریک، داده های ناهمگن توزیع شده، طبقه بندی نزدیکترین همسایه، بهینه سازی محدب،
ترجمه چکیده
یادگیری فاصله متریک که هدف آن پیدا کردن متریک فاصله است که نمونه هایی از یک کلاس را از نمونه هایی از کلاس های دیگر جدا می کند، کلید موفقیت بسیاری از وظایف یادگیری ماشین است. گرچه علاقه ای در این زمینه به وجود آمده است، یادگیری متریک فاصله بین المللی برای دستیابی به نتایج مناسب در هنگام برخورد با داده های توزیع ناهمگن کافی نیست. یک راه حل ساده برای مقابله با این نوع داده ها بر اساس روش های جاسازی هسته است. با این حال، به سرعت تعداد قابل توجهی از نمونه ها افزایش می یابد. در این مقاله، ما یک روش کارآمد را پیشنهاد می دهیم که چندین معیارهای فاصله محلی را به جای یک متغیر واحد جهانی یاد می گیرد. به طور خاص، نمونه های آموزشی به چند دسته تقسیم نشده تقسیم می شوند، که در هر کدام یک متریک فاصله برای آموزش داده ها به صورت جداگانه آموزش داده می شود. علاوه بر این، یک قانون تنظیم جهانی برای حفظ برخی خواص مشترک خوشه های مختلف در فضای متریک آموخته شده معرفی شده است. با یادگیری متریک فاصله چندگانه به طور مشترک در یک چارچوب بهینه سازی یکپارچه یکپارچه، روش ما به طور مداوم از روش های یادگیری متریک فاصله یکنواختتر است، در حالیکه کارآمدتر از سایر روشهای یادگیری چندمتاریک پیشرفته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک روش کارآمد برای یادگیری چندجمله ای خوشه ای
چکیده انگلیسی
Distance metric learning, which aims at finding a distance metric that separates examples of one class from examples of the other classes, is the key to the success of many machine learning tasks. Although there has been an increasing interest in this field, learning a global distance metric is insufficient to obtain satisfactory results when dealing with heterogeneously distributed data. A simple solution to tackle this kind of data is based on kernel embedding methods. However, it quickly becomes computationally intractable as the number of examples increases. In this paper, we propose an efficient method that learns multiple local distance metrics instead of a single global one. More specifically, the training examples are divided into several disjoint clusters, in each of which a distance metric is trained to separate the data locally. Additionally, a global regularization is introduced to preserve some common properties of different clusters in the learned metric space. By learning multiple distance metrics jointly within a single unified optimization framework, our method consistently outperforms single distance metric learning methods, while being more efficient than other state-of-the-art multi-metric learning methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 471, January 2019, Pages 149-163
نویسندگان
, , , ,