کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6864964 1439552 2018 24 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Nuclear-norm based semi-supervised multiple labels learning
ترجمه فارسی عنوان
یادگیری برچسب های چندگانه نیمه نظارت مبتنی بر هسته ای است
کلمات کلیدی
نیمه نظارت، چند برچسب هسته هسته،
ترجمه چکیده
یادگیری نیمه نظارت با توجه به برنامه های کاربردی آن در تشخیص شی و طبقه بندی تصویر، در جامعه بینایی کامپیوتری و جامعه یادگیری گسترده ای مورد توجه فراوان قرار گرفته است. با این حال، اغلب روش های یادگیری نیمه نظارتی چند لایک مصنوعی گراف گروه را ساختند. این الگوریتم انعطاف پذیری را کاهش می دهد. علاوه بر این، انتخاب پارامترهای مناسب به دلیل توزیع پیچیده داده ها در برنامه های واقعی بسیار دشوار است، به ویژه هنگامی که چند نمونه برچسب دار وجود دارد. برای رسیدگی به این مشکل، در این مقاله، یک چارچوب یادگیری نیمه نظارت جدید مبتنی بر هنجارهای هسته ای را برای طبقه بندی چند لایحه پیشنهاد می کنیم. به طور خاص، از منظر استاندارد هسته ای برای صحیح سطح کلاس، برای تطبیق ساختن نمودار گروهی در تابع معیار استفاده می شود. بنابراین، به طور موثر عملکرد طبقه بندی را بهبود می بخشد. علاوه بر این، یک الگوریتم تکراری غیرواقعی برای حل معضل تابع معرفی شده است که همگرایی خوبی دارد. علاوه بر این، براساس چارچوب پیشنهادی، دو الگوریتم جدید مبتنی بر هنجارهای هسته ای توسعه یافته است. آزمایش های گسترده در سه مجموعه داده های دنیای واقعی نشان می دهد که روش پیشنهادی ما عملکرد بهتر را نسبت به برخی از الگوریتم های آموزش چند منظوره پیشرفته ای به دست می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یادگیری برچسب های چندگانه نیمه نظارت مبتنی بر هسته ای است
چکیده انگلیسی
Semi-supervised learning has received extensive attention in computer vision and machine learning community due to its applications in object detection and image classification. However, most existing multi-label semi-supervised learning methods artificially construct the category graph. This reduces the flexibility of algorithms. Moreover, it is difficult to select appropriate parameters due to the complex distribution of data in real applications especially when there are few labeled samples. To handle this problem, in this paper, we propose a novel nuclear-norm based semi-supervised learning framework for multi-label classification. To be specific, we employ nuclear-norm regularization for class-level smoothness to adaptively construct category graph in the criterion function. Thus, it effectively improves the classification performance. In addition, a non-greedy iterative algorithm is introduced to solve the criterion function, which has good convergence. Furthermore, based on the proposed framework, two novel nuclear-norm based algorithms are developed. Extensive experiments on three real-world datasets illustrate that our proposed method achieves better performance than some state-of-the-art multi-label learning algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 275, 31 January 2018, Pages 940-947
نویسندگان
, , ,