کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947379 1439576 2017 35 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A cost-sensitive semi-supervised learning model based on uncertainty
ترجمه فارسی عنوان
یک مدل یادگیری نیمه نظارتی مبتنی بر حساسیت مبتنی بر حساسیت
کلمات کلیدی
عدم قطعیت، حساس به هزینه یادگیری نیمه نظارتی، انتخاب نمونه، دستگاه یادگیری شدید
ترجمه چکیده
با هدف کاهش هزینه کل در یادگیری حساس، این مقاله، یک مدل یادگیری نیمه نظارت را بر اساس عدم اطمینان خروجی نمونه معرفی می کند. ایده مرکزی آن است (1) طبقه بندی نمونه هایی که در مجموعه آموزش نیستند، بر اساس میزان عدم قطعیت خروجی هایشان، (2) برای اضافه کردن گروهی از نمونه هایی که دارای کمترین عدم قطعیت همراه با برچسب های پیش بینی شده در مجموعه آموزش اصلی و (3) حفظ یک طبقه بندی جدید برای کاهش هزینه کل. نسبت هزینه های بین کلاس ها و تاثیر آن در بهبود سیستم یادگیری مورد بحث قرار گرفته است. تجزیه و تحلیل تئوری و تظاهرات تجربی نشان می دهد که این مدل می تواند به طور موثر بهبود عملکرد یک الگوریتم یادگیری حساس برای یک نوع طبقه بندی خاص را بهبود بخشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک مدل یادگیری نیمه نظارتی مبتنی بر حساسیت مبتنی بر حساسیت
چکیده انگلیسی
Aiming at reducing the total cost in cost-sensitive learning, this paper introduces a semi-supervised learning model based on uncertainty of sample outputs. Its central idea is (1) to categorize the samples which are not in training set into several groups based on the uncertainty-magnitude of their outputs, (2) to add the group of samples which have the least uncertainty together with their predicted labels in the original training set, and (3) to retain a new classifier for total cost reduction. The ratio of costs between classes and its impact on learning system improvement is discussed. Theoretical analysis and experimental demonstration show that the model can effectively improve the performance of a cost-sensitive learning algorithm for a certain type of classifiers.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 251, 16 August 2017, Pages 106-114
نویسندگان
, ,