Kernel-driven similarity learning

اندازه گیری مشابهی برای بسیاری از الگوریتم های یادگیری ماشین و داده ها ضروری است. معیارهای شباهت از پیش تعریف شده اغلب وابسته به داده ها و حساس به سر و صدا هستند. به تازگی، رویکرد مبتنی بر داده ها که اطلاعات شباهت را از داده ها یاد می گیرد توجه زیادی را به خود جلب کرده است. ایده این است که یک نقطه داده را با یک ترکیب خطی از تمام نقاط داده (سایر) نشان داده شود. با این حال، اغلب موارد این است که روابط پیچیده تر از وابستگی های خطی در داده ها وجود دارد. بر اساس واقعیت شناخته شده که می تواند از فونت کرنل اطلاعات ساختاری غیر خطی را بگیرد، ما این ایده را به فضاهای هسته ای گسترش می دهیم. با این وجود، چنین فرمت دیگری مسئله دیگری را مطرح می کند: عملکرد الگوریتم آن تا حد زیادی توسط انتخاب هسته تعیین می شود، که اغلب ناشناخته است. بنابراین، ما بیشتر پیشنهاد روش چند منظوره مبتنی بر هسته. با انجام این کار، مدل ما می تواند اطلاعات مربوط به شباهت خطی و غیر خطی را یاد بگیرد و به طور خودکار بهترین کرنل را انتخاب می کند. در نتیجه، مدل ما قادر به یادگیری کامل اطلاعات شباهت پنهان در مجموعه داده است. ارزیابی جامع آزمایشی الگوریتم های ما بر روی سیستم های خوشه بندی و پیشنهاد دهنده عملکرد فوق العاده آن را در مقایسه با سایر روش های پیشرفته تر نشان می دهد. این عملکرد همچنین پتانسیل زیادی از الگوریتم پیشنهادی ما را برای سایر برنامه های کاربردی ممکن نشان می دهد.