کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4948053 1439603 2017 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A Semi-supervised manifold alignment algorithm and an evaluation method based on local structure preservation
ترجمه فارسی عنوان
یک الگوریتم هماهنگ چندجملهای نیمه نظارت و یک روش ارزیابی بر اساس حفظ ساختار محلی است
کلمات کلیدی
ترجمه چکیده
تراز بندی منیفولد فرایند هماهنگ ساختار ذاتی مشترک استخراج شده از چندین نوع مختلف است. معیارهای تعدیل چندگانه 2 برابر است. اولا، تراز باید فاصله بین منیفولد ها را به حداقل برساند، و از دقت بالای تراز بندی بالا اطمینان حاصل شود. دوم، ساختار اصلی باید حفظ شود. در حال حاضر اکثر الگوریتم های هم ترازی بر دقت هم ترازی تمرکز می کنند، در حالیکه حفظ ساختار مورد توجه کمی قرار گرفته است. این مقاله روش جدید هماهنگی نیمه نظارتی را پیشنهاد می کند که ترکیبی از بازسازی خطی محلی در هر چند فلیده است. ساختار ذاتی به اشتراک گذاشته شده با حل یک مشکل بهینه سازی با یک راه حل فرم بسته، که به طور همزمان با نمونه های مربوطه مطابقت دارد و هندسه محلی هر منیفولد را حفظ می کند، به دست می آید. علاوه بر این، یک روش جدید برای ارزیابی حفظ ساختار محلی ارائه شده است. پایداری ساختاری به عنوان متریک از ویژگی های حفظ محوطه سازمانی محلی تعریف می شود. نشان داده شده است که روش پیشنهادی هندسه محلی از مجموعه داده اصلی را حفظ می کند. همچنین مشخص شده است که پایداری ساختاری بهتر، دقت بالای ترازسازی را افزایش می دهد، اما واکنش درست نیست. نتایج تجربی در هر دو مجموعه داده های واقعی و مصنوعی اثربخشی و کارایی روش ما را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Manifold alignment is the process of aligning the shared intrinsic structure extracted from multiple manifolds. The criteria of manifold alignment are 2-fold. First, the alignment should minimize the distance between manifolds, ensuring high alignment accuracy. Second, the original structure should be preserved. Currently, most alignment algorithms focus on alignment accuracy, whereas structure preservation has received little attention. This paper proposes a new semi-supervised alignment method that combines locally linear reconstructions in each manifold. The shared intrinsic structure is obtained by solving an optimization problem with a closed-form solution, which simultaneously matches the corresponding instances and preserves the local geometry of each manifold. Furthermore, a new method is presented to evaluate the local structure preservation. The structural stability is defined as a metric of the local structure preservation property. It is shown that the proposed method preserves the local geometry of the original dataset well. It is also found that better structural stability gives higher alignment accuracy, but the converse is not true. Experimental results on both synthetic and real datasets demonstrate the effectiveness and efficiency of our method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 224, 8 February 2017, Pages 195-203
نویسندگان
, , , ,