انطباق دامنه از طریق تحلیل جداسازی خطی و ساختار هندسی محلی برای داده های چند شاخه
Publish place: Third National Conference on Computer Engineering, Information Technology and Data Processing
Publish Year: 1397
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 446
This Paper With 15 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:
CITCOMP03_161
تاریخ نمایه سازی: 31 اردیبهشت 1398
Abstract:
در اکثر الگوریتم های یادگیری ماشین، توزیع احتمالی داده های آموزشی و تست (دامنه های منبع و هدف) یکسان فرض شده است. این درحالی است که در مسایل دنیای واقعی، اغلب این فرض برقرار نبوده و موجب کاهش بازدهی مدل میشود. یادگیری انتقالی و انطباق دامنه، با بکارگیری مجموعه داده های موجود دو راه حل برجسته برای مقابله با این چالش هستند، و حتی با وجود اختلاف توزیع قابل ملاحظه بین دامنه ها میتوانند دانش را از دامنه های مرتبط به دامنه هدف انتقال دهند. تطبیق دامنه به طور صریح با استفاده از معیار فاصله ازپیش تعیین شده تفاوت در توزیع حاشیه ای، توزیع شرطی یا هر دو توزیع را کاهش میدهد. الگوریتم پیشنهادی تحت عنوان DLSD بااستفاده از مفهوم همسایگی و ساختار هندسی و محلی داده ها فاصله نمونه های متعلق به یک کلاس را از یکدیگر کم میکند و فاصله نمونه های متعلق به کلاسهای مختلف را افزایش میدهد که این باعث افزایش دقت طبقه بندی داده های چندشاخه میشود. آزمایش های گسترده ما نشان می دهد که DLSD به طور قابل توجهی بهتر از الگوریتمهای یادگیری ماشین پایه و دیگر روش های یادگیری انتقالی در 3 مجموعه داده بصری تحت سناریوهای مختلف عمل میکند.
Keywords:
یادگیری ماشین , انطباق دامنه , واگرایی برگمن , کاهش اختلاف توزیع حاشیه ای و شرطی , کاهش ابعاد , ساختار محلی
Authors
مژده زندی فر
دانشجوی کارشناسی ارشد، دانشکده مهندسی فناوری اطلاعات و کامپیوتر - دانشگاه صنعتی ارومیه - ارومیه - ایران
جعفر طهمورث نژاد
استادیار دانشکده مهندسی فناوری اطلاعات و کامپیوتر - دانشگاه صنعتی ارومیه - ارومیه - ایران