کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6861678 1439256 2018 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An overview of incremental feature extraction methods based on linear subspaces
ترجمه فارسی عنوان
یک مرور کلی از روش های استخراج ویژگی های افزایشی بر اساس زیر فضای خطی
کلمات کلیدی
یادگیری افزایشی، استخراج ویژگی های اضافی، کاهش ابعاد، روش های فضای خطی خطی، مبتنی بر کواریانس، رایگان کوواریانس،
ترجمه چکیده
با انفجار گسترده ای از یادگیری ماشین در زندگی روزمره ما، یادگیری افزایشی و انطباقی تبدیل شده است موضوع اصلی، مهم برای حفظ به روز و بهبود مدل های طبقه بندی و فرایندهای استخراج ویژگی های مربوطه. این مقاله خلاصه طبقه بندی شده از استخراج ویژگی های افزایشی را بر اساس روش های زیر فضای خطی ارائه می دهد که هدف آن ترکیب اطلاعات جدید با دانش قبلا بدون دسترسی به داده های قبلی است. به طور خاص، این مقاله بر روی آن روش های کاهش خطی خطی با محدودیت های ماتریس متعامد مبتنی بر عملکرد تضعیف جهانی تمرکز می کند، به دلیل استفاده گسترده از روش های دسته ای آن در مقایسه با سایر گزینه های خطی. بنابراین، ما رویکردهایی را که از تجزیه و تحلیل اجزای اصلی، تجزیه و تحلیل تبعیض خطی و روشهای بردار عمومی رایج استفاده می کنند، پوشش می دهیم. برای هر روش اساسی، رویکردهای افزایشی آن براساس مدل زیر فضا و تجزیه ماتریسی در فرایند به روز شدن متفاوت است. علاوه بر این دسته بندی، تعدادی از استراتژی های به روز رسانی با توجه به مقدار داده های مورد استفاده برای به روز رسانی و به منظور بررسی تعداد استاتیک یا دینامیکی کلاس ها متفاوت است. علاوه بر این، نقش خاص نسبت اندازه / ابعاد در هر روش در نظر گرفته شده است. در نهایت، پیچیدگی محاسباتی، تنظیمات تجربی و میزان دقت با توجه به نتایج منتشر شده، جمع آوری و تجزیه و تحلیل می شوند و ارزیابی تجربی برای مقایسه بهترین روش هر نوع است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
With the massive explosion of machine learning in our day-to-day life, incremental and adaptive learning has become a major topic, crucial to keep up-to-date and improve classification models and their corresponding feature extraction processes. This paper presents a categorized overview of incremental feature extraction based on linear subspace methods which aim at incorporating new information to the already acquired knowledge without accessing previous data. Specifically, this paper focuses on those linear dimensionality reduction methods with orthogonal matrix constraints based on global loss function, due to the extensive use of their batch approaches versus other linear alternatives. Thus, we cover the approaches derived from Principal Components Analysis, Linear Discriminative Analysis and Discriminative Common Vector methods. For each basic method, its incremental approaches are differentiated according to the subspace model and matrix decomposition involved in the updating process. Besides this categorization, several updating strategies are distinguished according to the amount of data used to update and to the fact of considering a static or dynamic number of classes. Moreover, the specific role of the size/dimension ratio in each method is considered. Finally, computational complexity, experimental setup and the accuracy rates according to published results are compiled and analyzed, and an empirical evaluation is done to compare the best approach of each kind.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 145, 1 April 2018, Pages 219-235
نویسندگان
, , ,