مقاوم سازی الگوریتم های یادگیری معیار نسبت به تبدیلات با استفاده از معیار افکنش روی منیفولد گرسمن

همواره نیاز به راه های مناسب اندازه گیری فاصله و یا شباهت بین داده ها در یادگیری ماشین، شناسایی الگو و داده کاوی وجود دارد. این نیاز موجب ظهور ایده های یادگیری معیار شده که به دنبال یادگیری خودکار یک تابع فاصله متناسب با یک مساله خاص می باشد. اما استخراج چنین معیارهای خوب برای مساله های خاص در مجموع مشکل است. در بسیاری از مسایل و انواع داده، تبدیل های طبیعی وجود دارند که باید نتایج دسته بند نسبت به آن ها غیر حساس باشد. این نامتغیری نسبت به تبدیلات در ابتدا با بهره گیری از بردارهای ویژگی نامتغیر حاصل شد. در این مقاله، ما یک روش جدید برای یادگیری یک معیار ماهالانوبیس معرفی می کنیم که از یک معیار فاصله روی منیفولدهای گرسمن، با نام معیار افکنش، به منظور اندازه گیری شباهت های اولیه بین داده استفاده می کند. در واقع با استخراج زیرفضاهای خطی متناظر با هر داده و نسخه های تبدیل یافته آن و سپس بهره گیری از معیار افکنش به منظور اندازه گیری شباهت بین زیر فضاها، معیار ماهالانوبیس یاد گرفته شده نسبت به تبدیلات مختلف مقاوم شده که موجب افزایش کارایی می گردد، آزمایش ها روی پایگاه داده های اعداد دست نویس بهبود عملکرد الگوریتم پیشنهادی را نسبت به سایر الگوریتم های یادگیری معیار پیشتاز اثبات می کند.

کلیدواژه ها:

یادگیری معیار ، منیفولد گرسمن ، معیار ماهالانوبیس