انتخاب ویژگی غیرنظارتی مقیاس پذیر توسط یادگیری ماتریس و تئوری گراف دوقسمته
Publish place: Journal of Iranian Association of Electrical and Electronics Engineers، Vol: 20، Issue: 3
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 212
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-20-3_014
تاریخ نمایه سازی: 9 خرداد 1402
Abstract:
با گسترش سریع تکنولوژی، حجم عظیمی از دادههای بدون برچسب با ابعاد زیاد، نیاز به پردازش پیدا کردند. برای کاهش ابعاد، انتخاب ویژگی غیرنظارتی، به عنوان یک پیشمرحله مهم قبل از وظایف یادگیری ماشین، شناخته میشود. در این مقاله، یک روش انتخاب ویژگی غیرنظارتی پیشنهاد میشود. روش مذکور بر اساس گراف ماتریس و ماتریس وزنی، به صورت پویا و مقیاسپذیر عمل میکند. برای بهبود عمکرد این روش، به جای استفاده از تابع لاگرانژ در ساخت ماتریس وزنی، تئوری گراف دو قسمته اعمال میشود. انتخاب ویژگی روی گراف ماتریس انجام میشود. این گراف با به کارگیری k نزدیکترین همسایه ساخته میشود، که روش را نسبت به نویز مقاوم تر میکند. همچنین ساختار سراسری دادهی اصلی، از طریق ساخت ماتریس وزن بازسازیشده با کمک محدودیت رتبه پایین، حفظ میشود. علاوهبراین، نمرهی ویژگی، که بهطور صریح قدرتمندی ویژگیها را منعکس میکند، با کمک تابع Frobenius norm مدل میشود. روش پیشنهادی با روشهای مشابه در سه معیار دقت کلاسبندی، حساسیت به پارامتر و پیچیدگی زمانی مقایسه شدهاست. آزمایشها نشان میدهد که دقت کلاسبندی روش ارائه شدهی این مقاله، به طور متوسط ۲.۸۳% بهبود یافتهاست. همچنین پیچیدگی زمانی آن تا max{O(n۲d),O(nm)} کاهش یافتهاست، که n تعداد نمونهها، d تعداد ویژگیها و m تعداد نقاط لنگر هستند.
Keywords:
Authors
کوثر صالح نژاد
Department of Software Engineering, Faculty of Computer Engineering, Shahid Rajaee Teacher Training University, Tehran
نگین دانشپور
Department of Software Engineering, Faculty of Computer Engineering, Shahid Rajaee Teacher Training University, Tehran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :