Self-training semi-supervised classification based on density peaks of data

داشتن بسیاری از داده های بدون برچسب و چند علامت گذاری آنها یک مشکل رایج در بسیاری از کاربردهای عملی است. یک روش موفق برای مقابله با این مشکل، طبقه بندی نیمه نظارت خودآموزی است. در این مقاله، ما یک روش برای کشف ساختار فضای داده بر اساس پیدا کردن قله تراکم ارائه می کنیم. سپس، یک چارچوب برای طبقه بندی نیمه نظارت خودآموزی که در آن ساختار فضای داده در فرآیند تکرار خودآموز یکپارچه برای کمک به تربیت طبقه بندی بهتر پیشنهاد شده است، پیشنهاد شده است. مجموعه ای از آزمایشات در هر دو مجموعه داده های مصنوعی و واقعی برای ارزیابی عملکرد چارچوب پیشنهادی ما اجرا می شود. نتایج تجربی به وضوح نشان می دهد که چارچوب پیشنهادی ما عملکرد بهتر نسبت به برخی از آثار قبلی را به طور کلی در هر دو مجموعه داده های مصنوعی و واقعی، به ویژه هنگامی که توزیع داده ها غیر کروی است. علاوه بر این، ما همچنین می بینیم که دستگاه بردار پشتیبانی به ویژه برای چارچوب پیشنهاد شده ما به عنوان نقش طبقه بندی پایه ای بازی می کند.