دسته بندی نیمه نظارتی مبتنی بر منیفلد با بهره گیری از رفتار لاپلاسین تابع جهت تمایز نقاط داخلی

دسته بندی نیمه نظارتی مبتنی بر منیفلد در سال های اخیر مورد توجه بسیاری از پژوهشگران واقع شده است. رویکرد های موجود از فاصله اقلیدسی به صورت محلی برای تقریب فاصله روی منیفلدها و اعمال فرض هموار بودن روی منیفلد استفاده می کنند. در فضایی که چند منیفلد با یکدیگر اشتراک دارند این تقریب در نواحی اشتراک صحیح نبوده و باعث انتشار اشتباه برچسب ها می شود. در این مقاله الگوریتمی بر مبنای تفکیک نقاط داخلی منیفلد از سایر نقاط جهت دسته بندی نیمه نظارتی روی منیفلدهای متقاطع جهت یادگیری دسته بند مبتنی بر اتصالات مطمین تر در گراف ارایه کننده ی داده پیشنهاد شده است. تفکیک نقاط داخلی از سایر نقاط بر مبنای رفتار متمایز لاپلاسین تابع هموار روی هر منیفلد در نقاط داخلی نسبت به سایر نقاط صورت می گیرد. الگوریتم پیشنهادی وزن یال های گراف ارایه کننده ی منیفلد را جهت انتشار برچسب اصلاح می کند. در مقایسه با رویکردهای دسته بندی نیمه نظارتی روی چند منیفلد، رویکرد پیشنهادی فرض مشخص بودن ابعاد ذاتی منیفلدها را نداشته، نیاز به تعداد خیلی زیاد داده های بدون برچسب ندارد، همچنین خصوصیات همسایگی مشابه به تمام همسایگی ها نسبت نمی دهد. آزمایش ها روی مجموعه داده های مصنوعی و واقعی نشان دهنده-ی دقت خوب روش پیشنهادی نسبت به روش های مشابه است.

Keywords:

دسته بندی نیمه نظارتی , منیفلدهای متقاطع , لاپلاسین