Auto-weighted 2-dimensional maximum margin criterion

به عنوان یک موضوع داغ در یادگیری ماشین، یادگیری تحت نظارت به طور مداوم به هر دو طبقه بندی و شناخت است. با این حال، تنظیم پارامتر در اکثر روش های نظارت شده، به دلیل پیچیدگی و غیر قابل پیش بینی بودن آن، کار سختی است. در این مقاله، ما یک رویکرد خودکار محاسبه را پیشنهاد می دهیم که به عنوان معیار حداکثر مارجین دو بعدی اندازه گیری می شود که وزن آن را در هر تکرار به صورت خودکار برای استفاده از شرایط مرتبط به روز رسانی می کند، به این ترتیب وزن به مقدار اولیه حساس می شود. علاوه بر این، روش پیشنهادی، به طور مستقیم از داده های 2 مرتبه، به عنوان مثال، داده های تصویر را استخراج می کند. علاوه بر این، ما مشاهده می کنیم که ارزش عینی در روش پیشنهادی می تواند به طور مستقیم عملکردی را در وظیفه طبقه بندی تحت اندازه های مختلف نشان دهد، که برای انتخاب ابعاد بهینه مفید است. آزمایش های گسترده در چندین مجموعه داده ها به منظور تایید اینکه روش ما از برتر بودن نسبت به سایر روش ها است، انجام می شود.