تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله یادگیری چند برچسبی انتقالی از طریق انتشار مجموعه برچسب – نشریه IEEE

عنوان فارسی: یادگیری چند برچسبی انتقالی از طریق انتشار مجموعه برچسب
عنوان انگلیسی: Transductive Multi-Label Learning via Label Set Propagation
تعداد صفحات مقاله انگلیسی : 14 تعداد صفحات ترجمه فارسی : 29
سال انتشار : 2013 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 8862 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.97Mb
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
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

مقدمه

2- مرور منابع

A: طبقه بندی چند برچسبی

B: یادگیری انتقالی

3- بیان مسئله

A: طبقه بندی چند برچسبی انتقالی

B: ایده اصلی

C: بهینه سازی

D: راه حل فرم بسته

4- پیش بینی مجموعه برچسب

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

B: پیش بینی مجموعه برچسب انتقالی

5- پیچیدگی محاسباتی

6- 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

7- نتیجه گیری

نمونه 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.

نمونه متن ترجمه

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.