ارائه یک چارچوب تجمیعی در یادگیری به روش نیمه نظارتی

سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,114

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSICC16_088

تاریخ نمایه سازی: 28 بهمن 1390

چکیده مقاله:

امروزه در بسیاری از مسائل یادگیری برچسب زنی به تمام داده ها از نظر عملی و یا به لحاظ اقتصادی امکان پذیر نمی باشد این امر منجر به ایجاد مسائلی می شود که درآنها تنها تعداد کمی از داده ها دارای برچسب و مابقی فاقد برچسب می باشند از این رو در سالهای اخیر تلاشهای فراوانی درجهت ایجاد و بهبود روشهای یادگیری نیمه نظارتی صورت گرفته است ما نیز دراین مقاله به ارایه ی چهارچوبی تجمیعی در یادگیری نیمه نظارتی می پردازیم که بصورت همزمان از نتایج چندین طبقه بند نیمه نظارتی بهره می گیرد انتخاب مناسب طبقه بندهای مورد استفاده در چارچوب پیشنهادی نقش بسیار مهمی درکارایی این روش ایفا می نماید به همین منظور ما دراین مقاله دو الگوریتم نیمه نظارتی جدید با نام هایM CO-Training EFM که صورتی بهبود یافته از طربقه بندهای نیمه نظارتی Co-Training EM می باشند به جهت قرارگیری در چارچوب مورد نظر ارایه می دهیم آزمایشات صورت گرفته برتعدادی از مجموعه داده های استاندارد گویای برتری طبقه بندهای نیمه نظارتی بهبود یافته نسبت به شکل سنتی خود و نیز برتری طبقه بند نیمه نظارتی تجمیعی نسبت به استفاده ی منفرد از طبقه بندهای نیمه نظارتی می باشد.

کلیدواژه ها:

چارچوب نیمه نظارتی تجمیعی ، الگوریتم EFM ، الگوریتمMCO-Training

نویسندگان

رضا عزمی

عضو هیات علمی گروه آموزشی مهندسی کامپیوتر،دانشکده فنی و مهندسی،دان

بشری پیشگو

دانشجوی کارشناسی ارشد هوش مصنوعی،دانشکده فنی و مهندسی،دانشگاه الزه

نرگس نوروزی

دانشجوی کارشناسی ارشد هوش مصنوعی،دانشکده فنی و مهندسی،دانشگاه الزه

محمدرضا نیکپور

عضو هیات علمی گروه آموزشی مهندسی کامپیوتر،دانشکده فنی و مهندسی،دان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، 17 تا 19 ...
  • Pavan Kumar Mallapragada, Rong Jin, Anil K. Jain, and Yi ...
  • Survey" .Department of Computer Sciences University _ Wisconsin, Madison, USA ...
  • Chapelle, O., Scholkopf, B., Zien, A., Semi -Supervised Learning, MIT ...
  • _ _ _ and unlabeled dat ...
  • Empirical Methods in Natural Language Processing (EMNLP), [5] Nigam, K., ...
  • Maeireizo, B. Litman, D., Hwa, R., "Co-training for predicting emotions ...
  • Zhou, D., Scholkopf, B., Hofmann, T., _ _ supervised learning ...
  • _ _ _ supervised learning using gaussian fields and harmonic ...
  • International Conference _ Machine Learning, pp. 912-919, 2003. ...
  • McCallum. A., & Nigam, K. Employing EM and poolbased ...
  • Learning (1998), pp. 359-367. ...
  • Ion Muslea, Steven Minto, Craig A. Knoblock, "Active + Semi-Supervi ...
  • Ng, V. Cardie, C. "Bootstrapping Coreference Classifiers with Multiple Machine ...
  • Nigam, K., Ghani, R., " Understanding the Behavior of Cotraining", ...
  • نمایش کامل مراجع