روشی تکاملی برای بهینه سازی طبقه بندی مبتنی بر جمع سپاری

یادگیری مبتنی بر جمع سپاری یکی از انواع مهم یادگیری است که سعی در کاهش هزینه های برچسب زنی دارد. در بحثیادگیری مبتنی بر جمع سپاری، این امکان را فراهم می کنند که از خرد جمعی برای حل مسائل استفاده کنند. اکثر روش هایمبتنی بر جمع سپاری به دلیل استفاده از الگوریتم EM در محاسبه پارامترها، دارای مشکل گیرافتادن در بهینه های محلیناشی از نقطه شروع نامناسب هستند. در این مقاله روشی مبتنی بر الگوریتم های تکاملی به منظور رفع مشکلات الگوریتمEM در محاسبه پارامترهای مدل جمع سپاری ارائه شده است. در این روش، مقادیر اولیه پارامترهای مدل طبقه بندی مبتنیبر جمع سپاری، از جمله دقت نظردهندگان و ضرایب خط جداساز از طریق الگوریتم ازدحام ذرات محاسبه می شوند. سپسمقادیر بدست آمده به عنوان نقطه شروع الگوریتم EM مورد استفاده قرار گرفته و بهینه سازی می شوند.آزمایشات بر رویمجموعه داده های واقعی با نظردهندگان شبیه سازی شده، و مجموعه داده های واقعی با نظردهندگان واقعی، انجام شدهاست. نتیجه این آزمایشات برای روش ارائه شده در مقایسه با سایر روش ها، نشان دهنده ی برتری روش پیشنهادی از نظرصحت طبقه بندی بر روی داده های آزمون است.

کلیدواژه ها:

یادگیری مبتنی بر جمع سپاری ، خرد جمعی ، بهینه های محلی ، الگوریتم تکاملی ، الگوریتم ازدحام ذرات