An uncertainty and density based active semi-supervised learning scheme for positive unlabeled multivariate time series classification

در حقیقت، تعداد داده های سری زمان مشخص شده اغلب کوچک است و تعداد زیادی از داده های بدون برچسب وجود دارد. به طور دستی نشانه گذاری این نمونه های بدون برچسب وقت گیر و گران است، و گاهی اوقات حتی غیرممکن است. در این مقاله، ما یادگیری فعال و یادگیری نیمه نظارتی را برای به دست آوردن داده های آموزشی با اعتماد به نفس و کافی برای طبقه بندی سری چند متغیری ترکیب می کنیم. ابتدا یک استراتژی نمونه برداری را با رتبه بندی اطلاعاتی از نمونه های بدون برچسب بر اساس عدم قطعیت و تراکم داده های محلی آن، پیشنهاد می کنیم. بعد، یک چارچوب یادگیری فعال نیمه نظارتی معرفی شده است تا بهترین استفاده از مزایای یادگیری فعال و یادگیری نیمه نظارتی را برای حاشیه نویسی داده ها به طور کامل استفاده کند. سرانجام، یک معیار توقف معتبر یادگیری فعال را برای فراهم آوردن یک مجموعه داده های آموزشی آموزش دیده با کیفیت و قابل اعتماد پیش بینی می کنیم که هزینه های انسانی را به حداقل ممکن کاهش می دهد. نتایج تجربی ما نشان می دهد که رویکرد ما می تواند به صورت دستی نمونه هایی را به صورت کوچک به عنوان حاشیه نویسی کند و به طور همزمان یک مجموعه داده های معتبر و قابل اطمینان به دست آورد که برای یادگیری یک طبقه بندی کارآمد کافی است.