این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۴، شماره ۱، صفحات ۵۳-۷۰
عنوان فارسی یادگیری نیمه نظارتی کرنل مرکب با استفاده از تکنیک‌های یادگیری معیار فاصله
چکیده فارسی مقاله معیار فاصله نقشی کلیدی در بسیاری از الگوریتم‌های آموزش ماشین و شناسایی آماری الگو دارد به گونه‌ای که انتخاب تابع فاصله مناسب، تأثیر مستقیمی بر عملکرد این الگوریتم‌ها دارد. در سال‌های اخیر، آموزش معیار فاصله با استفاده از نمونه‌های برچسب‌دار و یا دیگر اطلاعات موجود، یکی از حوزه‌های بسیار فعال در حوزه آموزش ماشین شده است. تحقیقات در این راستا، نشان داده است که معیارهای سنجش فاصله مبتنی بر یادگیری، عملکرد بسیار بهتری در مقایسه با معیارهای فاصله مرسوم از قبیل فاصله اقلیدسی دارند. با گسترش این الگوریتم‌ها، نوع کرنلیزه برخی از این الگوریتم‌ها نیز ارائه شده که در آنها با استفاده از تابع کرنل، نمونه‌ها به طور غیر صریح به فضای ویژگی جدیدی با ابعاد بالاتر نگاشت یافته و سپس در این فضای ویژگی جدید، معیار فاصله برای کاربرد مورد نظر آموزش داده می‌شود. علی رغم عملکرد بسیار خوب توابع کرنل در الگوریتم‌های مختلف، یکی از مسائلی که در این الگوریتم‌ها وجود دارد، انتخاب کرنل مناسب و یا پارامترهای مناسب برای یک کرنل مشخص است. استفاده از کرنل مرکب به جای استفاده از یک کرنل تنها بهترین راه حلی است که تاکنون برای این مسئله ارائه شده است. در فرآیند دستیابی به کرنل مرکب بهینه نیز، استفاده از الگوریتمهای یادگیری اهمیت دارد. در این پژوهش، با ادغام این دو فرآیند یادگیری، ساختارهای نیمه نظارتی متفاوتی برای تعیین وزن کرنل‌ها در یک ترکیب کرنلی ارائه می‌شود. کرنل مرکب نهایی برای سنجش فاصله داده‌ها در کاربرد خوشه‌بندی مورد استفاده واقع می‌شود. در ساختارهای نیمه نظارتی بررسی شده، سعی بر آن است که در فرآیند بهینه سازی با تعیین تابع هدف مناسب، وزن کرنل‌ها به گونه‌ای تعیین شود که فاصله زوج‌های مشابه حداقل و فاصله زوج‌های نامشابه حداکثر شود. بررسی عملکرد این ساختارهای پیشنهادی بر روی دادگان مصنوعی XOR و همچنین دادگان در پایگاه داده UCI نشان دهنده مؤثر بودن ساختارهای پیشنهادی است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Semi Supervised Multiple Kernel Learning using Distance Metric Learning Techniques
چکیده انگلیسی مقاله Distance metric has a key role in many machine learning and computer vision algorithms. Therefore choosing an appropriate distance metric has a direct effect on the performance of such algorithms. Recently, distance metric learning using labeled data or other available supervisory information has become a very active research area in machine learning applications. Studies in this area have shown that distance metric learning-based algorithms considerably outperform the commonly used distance metrics such as Euclidean distance. In the kernelised version of metric learning algorithms the data points are implicitly mapped into a new feature space using a non-linear kernel function. The associated distance metric is then learned in this new feature space. Utilizing kernel function improves the performance of pattern recognition algorithms, however choosing a proper kernel and tuning its parameter(s) are the main issues in such methods. Using a multiple kernel instead of a single kernel is one of the best solutions to this problem. In this paper, considering a weighted sum of a set of basis kernels, we propose new methods in which the kernels weights are learned using techniques which arise from the distance metric learning concepts. We apply different cost functions in learning multiple kernels in a semi supervised framework. The proposed methods are used for clustering application on a synthetic XOR data and real data sets of the UCI data base.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله طاهره زارع بیدکی | tahereh zare bidoki
electrical and computer engineering department, yazd university, yazd
یزد-صفائیه-دانشگاه یزد-دانشکده برق و کامپیوتر
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

محمد تقی صادقی | mohammad taghi sadeghi
electrical and computer engineering department, yazd university, yazd
یزد-صفائیه-دانشگاه یزد-دانشکده برق و کامپیوتر
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

حمیدرضا ابوطالبی | hamid reza abutalebi
electrical and computer engineering department, yazd university, yazd
یزد-صفائیه-دانشگاه یزد-دانشکده برق و کامپیوتر
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-739-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-417049.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده بنیادی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات