بهبود یادگیری ترارسان تدریجی SVMمبتنی بر تنظیم با کاهش مقادیر ویژه

یادگیری نیمه نظارت شده از دادههای برچسبدار و بدون برچسب به صورت همزمان برای ساخت طبقه بنداستفاده میکند تا دقت یادگیری را بهبود بخشد.یکی از مشکلاتی که در آموزش طبقه بندها رخ میدهد بیشازحد منطبق شدن میباشد. روش رگولاریزیشن کاهش مقادیر ویژه در شبکه های عصبی در یادگیری نیمه نظارتی (TNN (از جمله روشهایی است که از مسیله بیش ازحد منطبق شدن داده ها اجتناب مینماید، همچنین با استفاده از کاهش مقادیر ویژه افزایش حاشیه طبقه بندی ممکن میشود که باعث بهبود قابلیت تعمیم شبکه های عصبی میشود. ماشین بردار پشتیبان ترارسان بهبودیافته (PTSVM (بهبودیافته، نسخه نیمه نظارت شده از SVM است که از یک روند تکراری برای ساخت طبقه بند با انتخاب نمونه های ترارسان مناسبتر استفاده مینماید.این پژوهش با بهره گیری از تابع هدف TNN و یک روند تکراری مشابه با PTSVMبهبودیافته یک روش ترارسان برای یادگیری نیمه نظارتی پیشنهاد مینماید. در روش پیشنهادی با در نظر گرفتن تابع هدفTNN ، در هر تکرار از فرآیند یادگیری تعدادی از نمونه های بدون برچسب را به عنوان نمونه های ترارسان انتخاب نموده و براساس آنها وزنها و بایاس شبکه عصبی را تنظیم کردیم.روش پیشنهادی در این مقاله با روش TNN مقایسه شد. نتایج به دست آمده از آزمایش نشان داد که روش ارایه شده دقت طبقه بندی بهتر در مقایسه با سایر روشها را در مجموعه داده های در نظر گرفته شده دارد.

کلیدواژه ها:

شبکه عصبی ، ماشین بردار پشتیبان ، کاهش مقادیر ویژه ، نمونه های ترارسان ، یادگیری نیمه نظارتی