مقاله انگلیسی یادگیری چند برچسبی انتقالی از طریق انتشار مجموعه برچسب با ترجمه فارسی

 

دانلود رایگان مقاله انگلیسی PDF + خرید ترجمه آماده و تایپ شده ورد

 

مشخصات مقاله انگلیسی به همراه ترجمه فارسی
عنوان فارسی مقاله

 یادگیری چند برچسبی انتقالی از طریق انتشار مجموعه برچسب

عنوان انگلیسی مقاله

Transductive Multi-Label Learning via Label Set Propagation

چاپ شده در

مجله  آی تریپل ای – IEEE

سال انتشار

سال ۲۰۱۳

 

قسمتی از متن مقاله
بخشی از ترجمه فارسی

چکیده

مسئله طبقه بندی چند برچسبی توجه زیادی را در دهه اخیر به خود جلب کرده است به طوری که هر نمونه می تواند دارای یک مجموعه ای از چندین برچسب به طور هم زمان باشد. این طبقه بندی دارای طیف وسیعی از کاربرد ها در شرایط واقعی است. برای مثال حاشیه یابی تصویر خودکار و تحلیل عملکرد ژن تحقیقات فعلی بر روی طبقه بندی چند برچسبی بر شرایط نظارت شده تاکید دارد که وجود مقدار زیادی از داده های آموزشی برچسب زده شده را فرض می کند. با این حال، در بسیاری از شرایط، برچسب زنی داده های چند برچسبی بسیار پر هزینه و زمان بر است و این در حالی است که داده های بدون برچسب زیادی وجود دارد. در این مقاله، ما به بررسی مسئله یادگیری چند برچسبی انتقالی پرداخته و یک راه حل جدید موسوم به TRAM را برای تخصیص موثر برچسب های چند گانه برای هر نمونه پیشنهاد می کنیم. جدا از روش های یادگیری چند برچسبی نظارت شده، مجموعه های برچسب نمونه های بدون برچسب با استفاده از اطلاعات از هر دو داده های برچسب زنی شده و بدون برچسب ارایه شده اند. ما در ابتدا به بررسی یادگیری چند برچسبی انتقالی به عنوان یک مسئله بهینه سازی براورد ترکیب مفهوم برچسب می پردزایم. سپس از راه حل شکل بسته برای حل مسئله استفاده کرده و یک الگوریتم موثر را برای تخصیص مجموعه های برچسب به موارد بدون برچسب استفاده می کنیم. مطالعات تجربی بر روی یادگیری چند برچسبی نشان می دهند که روش TRAM قادر به بهبود عملکرد موثر طبقه بندی چند برچسبی با استفاده از داده های دارای برچسب و بدون برچسب است.
بخشی از متن انگلیسی

Abstract

The problem of multi-label classification has attracted great interest in the last decade, where each instance can be assigned with a set of multiple class labels simultaneously. It has a wide variety of real-world applications, e.g., automatic image annotations and gene function analysis. Current research on multi-label classification focuses on supervised settings which assume existence of large amounts of labeled training data. However, in many applications, the labeling of multi-labeled data is extremely expensive and time-consuming, while there are often abundant unlabeled data available. In this paper, we study the problem of transductive multi-label learning and propose a novel solution, called TRAM, to effectively assign a set of multiple labels to each instance. Different from supervised multi-label learning methods, we estimate the label sets of the unlabeled instances effectively by utilizing the information from both labeled and unlabeled data. We first formulate the transductive multi-label learning as an optimization problem of estimating label concept compositions. Then we derive a closed-form solution to this optimization problem and propose an effective algorithm to assign label sets to the unlabeled instances. Empirical studies on several real-world multi-label learning tasks demonstrate that our TRAM method can effectively boost the performance of multilabel classification by using both labeled and unlabeled data.

 

باکس دانلود مقاله
دانلود رایگان مقاله انگلیسی با فرمت pdf

دانلود رایگان مقاله انگلیسی

خرید ترجمه آماده به صورت تایپ شده با فرمت ورد doc

خرید ترجمه آماده ورد

 

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *