کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946772 1439419 2016 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Semi-supervised learning for ordinal Kernel Discriminant Analysis
ترجمه فارسی عنوان
یادگیری نیمه نظارتی برای تجزیه و تحلیل دائمی هسته
کلمات کلیدی
رگرسیون خطی، تجزیه و تحلیل دائمی، یادگیری نیمه نظارتی، طبقه بندی، یادگیری هسته،
ترجمه چکیده
طبقه بندی عادی، آن دسته از مشکلات طبقه بندی را در نظر می گیرد که برچسب متغیر برای پیش بینی یک دستور داده شده دنبال می شود. به طور طبیعی، داده های برچسب دار در این نوع مشکلات کم است یا دشوار است، زیرا در بسیاری موارد برچسب های ترتیبی توسط یک کاربر یا متخصص (به عنوان مثال در سیستم های توصیه شده) ارائه می شوند. در ابتدا، این مقاله یک استراتژی جدید برای طبقه بندی مقدماتی ایجاد می کند که در آن هر دو داده های برچسب دار و بدون برچسب در مرحله ساخت مدل (یک طرح که به عنوان یادگیری نیمه نظارت شناخته می شود) مورد استفاده قرار می گیرد. به طور خاص، نسخه مرجع آموزش یادگیری هسته ای برای این تنظیم با توجه به اطلاعات محله از داده های بدون برچسب توسعه یافته است، که پیشنهاد شده است که در فضای ویژگی ایجاد شده توسط تابع هسته محاسبه شود. در مرحله دوم، یک روش جدید برای یادگیری هسته نیمه نظارت بر اساس طبقه بندی مقدماتی طراحی شده است، که با استراتژی طبقه بندی توسعه یافته ما به منظور بهینه سازی پارامترهای هسته طراحی شده است. این آزمایش ها 6 روش مختلف برای یادگیری نیمه نظارتی را در بستر دسته بندی دسته بندی در یک باتری از 30 مجموعه داده ها مقایسه کرده و نشان می دهد (1) همکاری خوب نسخه فرعی تجزیه و تحلیل دیجیتالی و استفاده از داده های بدون برچسب و (2) مزایای محاسبه فاصله در فضای ویژگی که منجر به عملکرد هسته می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یادگیری نیمه نظارتی برای تجزیه و تحلیل دائمی هسته
چکیده انگلیسی
Ordinal classification considers those classification problems where the labels of the variable to predict follow a given order. Naturally, labelled data is scarce or difficult to obtain in this type of problems because, in many cases, ordinal labels are given by a user or expert (e.g. in recommendation systems). Firstly, this paper develops a new strategy for ordinal classification where both labelled and unlabelled data are used in the model construction step (a scheme which is referred to as semi-supervised learning). More specifically, the ordinal version of kernel discriminant learning is extended for this setting considering the neighbourhood information of unlabelled data, which is proposed to be computed in the feature space induced by the kernel function. Secondly, a new method for semi-supervised kernel learning is devised in the context of ordinal classification, which is combined with our developed classification strategy to optimise the kernel parameters. The experiments conducted compare 6 different approaches for semi-supervised learning in the context of ordinal classification in a battery of 30 datasets, showing (1) the good synergy of the ordinal version of discriminant analysis and the use of unlabelled data and (2) the advantage of computing distances in the feature space induced by the kernel function.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neural Networks - Volume 84, December 2016, Pages 57-66
نویسندگان
, , , ,