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

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.

چارچوب نیمه نظارتی تجمیعی،الگوریتم EFM،الگوریتمMCO-Training