Multimedia annotation via semi-supervised shared-subspace feature selection

با توسعه سریع شبکه های اجتماعی و فن آوری های کامپیوتری، ما همیشه با داده های چند بعدی چند بعدی مواجه می شویم. وقت زیاد و غیر واقعی برای سازماندهی چنین مقدار زیادی از اطلاعات است. بیشتر روش های موجود برای داده های بزرگ به دلیل وابستگی آنها به ماتریس لاپلاس بر داده های آموزشی مناسب نیستند. به طور معمول، یک نمونه چندرسانهای داده شده معمولا با برچسبهای چندگانه مرتبط است که به طور ذاتی با هم مرتبط هستند. اگر چه روش های سنتی می تواند این مشکل را با تبدیل آن به چندین مسئله تک لایت حل کند، اما بین برچسب های مختلف همخوانی نداشته است. در این مقاله، ما یک روش انتخاب جدید ویژگی نیمه نظارت جدید را پیشنهاد می کنیم و آن را به حاشیه نویسی چند رسانه ای اعمال می کنیم. هر دو نمونه برچسب دار و بدون برچسب بدون نیاز به ساخت گراف، به طور کافی مورد استفاده قرار می گیرند و اطلاعات مشترک بین چندین برچسب به طور همزمان کشف می شوند. ما الگوریتم پیشنهاد شده را به هر دو صفحه وب و حاشیه نویسی تصویر اعمال می کنیم. نتایج تجربی موثر بودن روش ما را نشان میدهد.