مدل تمایزی مبتنی بر GPLVM با حفظ ساختار فضایی داده

در این مقاله یادگیری یک نگاشت بین فضای ابعاد کم و فضای ابعاد بالا بر پایه روش کاهش ابعاد مدل متغیر مخفیمبتنی بر فرآیند گوسین توسعه داده شده است. روش مذکور با انتقالی نرم به فضای ابعاد کم ساختار داده را حفظمی کند، در حالیکه اطلاعات بر چسب کلاسها در این نگاشت در نظر گرفته نمی شود. به منظور اتخاذ یک رویکردنظارتی، فاصله فضایی تحت تاثیر برچسب کلاسها محاسبه میشود و یک کرنل جدید با اضافه کردن عبارت مربوط بهاطلاعات فاصله فضایی به کرنل روش پایه پیشنهاد شده است. مقایسه روش پیشنهادی با روشهای محلی و رویکردهایکاهش ابعاد با حفظ ساختار داده نشان دهنده کارایی مدل پیشنهادی است. آزمایشات انجام گرفته بر روی دو مجموعهداده استاندارد OilFlow و USPS از نظر بصری سازی و مقایسه trustworthiness همچنین سنجش شاخص های شباهت خوشه بندی نشان دهنده برتری روش پیشنهادی در بیشتر موارد است.