کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6866517 678171 2014 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Exploiting class label in generative score spaces
ترجمه فارسی عنوان
استفاده از برچسب کلاس در فضاهای نمره نسبی
کلمات کلیدی
فضاهای نمره تولیدی، فرمت تبعیض آمیز، طبقه بندی، نقشه برداری ویژگی،
ترجمه چکیده
به تازگی با توجه به عملکرد پیشرفته خود در طیف گسترده ای از وظایف شناختی، فضاهای ایجاد شده به طور فزاینده ای افزایش یافته است. این روش، توزیع داده های آموزشی را با استفاده از مدل های نسبی احتمالی مدل سازی می کند و ویژگی را برای هر نمونه بر اساس مدل های مولد نشان می دهد. ویژگی مشتق شده از اطلاعات نمونه، متغیرهای پنهان و پارامترهای مدل برای طبقه بندی، کدگذاری می کند و روش متفاوتی را برای تلفیق توانایی های مدل های نسبی در به دست آوردن اطلاعات پنهان و مدل های تشخیصی در طبقه بندی فراهم می کند. نکته اساسی این است که اطلاعات مخفی که توسط متغیرهای پنهان در مدل های نسبی انجام می شود، اطلاعاتی و مفید در طبقه بندی هستند. در این مقاله، ما یک فرمت عمومی برای روش های موجود فضای نمایی پیشنهاد می کنیم تا از برچسب کلاس که اطلاعات تکاملی غنی را دربر می گیرد، در هنگام شناسایی ویژگی ها استفاده شود. این امر با گسترش مدل های مولد منظم به مدل های شرطی کلاس بر روی هر دو متغیر و برچسب کلاس مشاهده شده و ایجاد نقشه های ویژگی در چنین مدل های گسترده ای به دست می آید. روش های به دست آمده اشکال ساده و شهودی را که نسخه های وزنی از روش های موجود هستند، به دست می آورند و از نتیجه گیری بیزی از برچسب کلاس بهره مند می شوند. ارزیابی تجربی بر دو مدل تولیدی معمول و 6 مجموعه داده ها نشان دهنده بهبود قابل ملاحظه ای نسبت به روش های موجود است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
استفاده از برچسب کلاس در فضاهای نمره نسبی
چکیده انگلیسی
Generative score spaces have recently received increasing attention due to their state-of-the-art performance in a wide range of recognition tasks. These methods model the distribution of the training data using probabilistic generative models and derive the feature for each sample based on the generative models. The derived feature encodes the information of the sample, hidden variables and model parameters for classification, providing a staged way to integrate the abilities of generative models in inferring hidden information and discriminative models in classification. The underlying point is that the hidden information carried by hidden variables in generative models is informative and useful in classification. In this paper, we propose a general extension for the existing score space methods to exploit class label that encodes rich discriminative information, when deriving feature mappings. This is achieved by extending the regular generative models to class conditional models over both observed variable and class label, and deriving feature mapping over such extended models. The resulted methods take simple and intuitive forms which are weighted versions of existing methods, benefitting from the Bayesian inference of class label. The empirical evaluation over two typical generative models and 6 datasets shows its significant improvement over existing methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 145, 5 December 2014, Pages 495-504
نویسندگان
, , ,