عنوان

یک راهکار یادگیری نیمه نظارتی مبتنی بر گراف برای طبقهبندی چندبر چسبه

۳۱۰۰پ

فارسی

یک راهکار یادگیری نیمه نظارتی مبتنی بر گراف برای طبقهبندی چندبر چسبه

[پایان نامه]

/ امجد سیدی

سنندج

: دانشگاه کردستان، دانشکده مهندسی

، ۱۳۹۶

ج، ۵۴ص

:مصور، نمودار(بخشی رنگی)، جدول

+ لوح فشرده

چکیده فارسی-انگلیسی

کتابنامه: ص ۴۸-۵۲

کارشناسی ارشد

هوش مصنوعي و رباتيكز

کردستان

مسائل چندبرچسبه در حوزه¬های مختلف از جمله طبقه¬بندی خودکار داده¬های چندرسانه¬ای به-وجود آمده¬اند و در زمینه بینایی ماشین و یادگیری ماشین مورد توجه قرارگرفته¬اند. اما روش¬های موجود به دو چالش اصلی، استخراج وابستگی بین برچسب¬ها و کمبود داده¬های برچسب¬گذاری شده و حتی برچسب¬های از دست رفته نمی¬پردازند، درحالی که استخراج همبستگی برچسب¬ها برای یادگیری چندبرچسبه بسیار مهم است. همچنین رویکردهای فعلی معمولاً با فرض اینکه همبستگی برچسب¬ها در همه موارد به اشتراک گذاشته شده است از همبستگی¬های برچسب سراسری استفاده می¬کنند. لذا در این پژوهش، مدل نیمه نظارتی تجزیه مبتنی بر همبستگی محلی، برای پوشش چالش¬های ذکر شده پیشنهاد شده است که اجازه می¬دهد همبستگی برچسب ها به صورت محلی مورد استفاده قرار داد. این مدل به صراحت پایه کمکی را برای یادگیری زیر فضای معنایی معرفی می¬کند و توانایی¬های تفکیک¬کنندگی آن را با استفاده از نمونه¬های برچسب¬دار و بدون برچسب تقویت می¬کند. به¬عبارت¬دیگر، برچسب نمونه¬های برچسب¬دار را به نمونه¬های بدون برچسب منتقل می¬کند. این روش پیشنهادی می¬تواند به طور مؤثر با مجموعه¬های مقیاس بزرگ مقابله و همبستگی برچسب¬ها را استخراج کند و پیش¬بینی¬های امیدوار کننده و بهتری نسبت به روش¬های نوین بدست آورد.

Multi-label problems arise in various domains including automatic multimedia data categorization, and have generated significant interest in computer vision and machine learning community. However, existing methods do not adequately address two key challenges: exploiting correlations between labels and making up for the lack of labeled data or even missing labels while exploiting label correlations is important for multi-label learning. Also, existing approaches typically exploit label correlations globally, by assuming that the label correlations are shared by all the instances.In this research a semi-supervised matrix factorization model base on local correlation is proposed to handle these challenges that formulates multi-label learning as a constrained semi supervise non-negative matrix factorization problem that which allows label correlations to be exploited locally and explicitly introduces an auxiliary basis to learn the semantic subspace and boosts its discriminating ability by exploiting labeled and unlabeled examples together. Particularly, it propagates labels of the labeled examples to the unlabeled one. This method can efficiently deal with large-scale datasets and exploit the label correlations and obtain promising and better label prediction results than state-of-the-art methods.

fa

ba

semi-supervised learning

multi-label problems

graph regularization

semi-nonnegative matrix factorization

پديدآور

سیدی، امجد

مرادی

اخلاقیان طاب

، پرهام

، فردین

،

، 1344-

استاد راهنما

استاد مشاور

دانشگاه کردستان

. دانشکده مهندسی

ایران

کتابخانه مرکزی دانشگاه کردستان

20180423

EAI۳۱۲۲ ۱۳۹۶ کتابخانه مرکزی

p

TF

92029

1

a

Y