استفاده از تنظیم سازی کاهش مقادیر ویژه برای بهبود ترارسان تدریجی SVM

یادگیری نیمه نظارت شده نیز نوعی از یادگیری است که از داده های برچسبدار و بدون برچسب به صورتهمزمان برای ساخت طبقهبند استفاده می کند تا دقت یادگیری را بهبود دهد.یکی از مشکلاتی که در آموزشطبقه بندها رخ میدهد بیشازحد منطبق شدن می باشد. روش رگولاریزیشن کاهش مقادیر ویژه درشبکه های عصبی در یادگیری نیمه نظارتی (TNN) از جمله روشهایی است که از مسیله بیش ازحد منطبق شدن داده ها اجتناب می نماید، همچنین با استفاده از کاهش مقادیر ویژه افزایش حاشیه طبقه بندی ممکن می شود که باعث بهبود قابلیت تعمیم شبکه های عصبی می شود. ماشین بردار پشتیبان ترارسان بهبودیافته (PTSVM بهبود یافته)، نسخه نیمه نظارت شده از SVM است که از یک روند تکراری برای ساخت طبقه بند با انتخاب نمونه های ترارسان مناسب تر استفاده می نماید.این پژوهش با بهره گیری از تابع هدف TNN و یک روند تکراری مشابه با PTSVM بهبودیافته یک روش ترارسان برای یادگیری نیمه نظارتی پیشنهاد می نماید. در روش پیشنهادی با درنظرگرفتن تابع هدف TNN، 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 PTSVM بهبودیافته مقایسه شد. نتایج به دست آمده از آزمایش نشان داد که روش ارایه شده دقت طبقهبندی بهتر در مقایسه با سایر روشها را در مجموعه داده های در نظر گرفته شده دارد.