دانلود مقاله ترجمه شده یادگیری چندبرچسبی ترارسانیک از طريق انتشار مجموعه برچسب – مجله IEEE 2013

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۳
تعداد صفحات مقاله انگلیسی	۱۴صفحه با فرمت pdf
رشته های مرتبط با این مقاله	کامپیوتر
گرایش های مرتبط با این مقاله	هوش مصنوعی و رایانش ابری
مجله	یافته ها در حوزه دانش و مهندسی داده ها – Transactions on Knowledge and Data Engineering
دانشگاه	آزمایشگاه ملی فناوری نرم افزار نوین، دانشگاه نانجینگ، چین
کلمات کلیدی	داده کاوی، یادگیری ماشینی، یادگیری چند برچسبی، یادگیری انتقالی، یادگیری نیمه نظارت شده، داده های بدون برچسب
شناسه شاپا یا ISSN	ISSN ۱۰۴۱-۴۳۴۷
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده

مقدمه

۲- مرور منابع

A: طبقه بندی چند برچسبی

B: یادگیری انتقالی

۳- بیان مسئله

A: طبقه بندی چند برچسبی انتقالی

B: ایده اصلی

C: بهینه سازی

D: راه حل فرم بسته

۴- پیش بینی مجموعه برچسب

A: پیش بینی مجموعه برچسب نظارت شده از طریق رگرسیون خطی

B: پیش بینی مجموعه برچسب انتقالی

۵- پیچیدگی محاسباتی

۶- آزمایشات

A-معیار های ارزیابی

B-کاربرد در حاشیه نویسی تصویر خودکار

C- استفاده از تحلیل کارکردی ژن مخمر

D-کاربرد به طبقه بندی صفحه وب خودکار

E- کاربرد به طبقه بندی متن

F-کاربرد به طبقه بندی عرصه طبیعی

G- اثر پارامتر ها

۷- نتیجه گیری

• بخشی از ترجمه:

۷- نتیجه گیری

در این مقاله، TRAM به عنوان یک روش طبقه بندی چند برچسبی انتقالی توسط انتقال مجموعه برچسب پیشنهاد شد. در ابتدا، یک کار به صورت مسئله بهینه سازی ارایه شده است که امکان استفاده از داده های بدون برچسب را برای دست یابی به مدل موثر برای تعیین برچسب های مناسب چند گانه به نمونه ها، فراهم می کند. ، یک الکوریتم کارامد دارای راه حل فرم بسته برای این مسئله بهینه سازی است. مطالعات ازمایشی در خصوص طیف وسیعی از کار های واقعی نشان می دهد که روش TRAM به طور موثر موجب افزایش عملکرد طبقه بندی چند برچسبی با استفاده از داده های بدون برچسب علاوه بر داده های با برچسب می شود.

• بخشی از مقاله انگلیسی:

VII. CONCLUSION

In this paper, we propose TRAM, a transductive multi-label classification method by label set propagation. At first, we formulate the task as an optimization problem which is able to exploit unlabeled data to obtain an effective model for assigning appropriate multiple labels to instances. Then, we develop an efficient algorithm which has a closed-form solution for this optimization problem. Empirical studies on a broad range of real-world tasks demonstrate that our TRAM method can effectively boost the performance of multi-label classification by using unlabeled data in addition to labeled data.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد