فا   |   En
ورود به سایت
مشاهده‌ مشخصات مقاله

SVM نیمه نظارتی کم رتبه با استفاده از فاکتورگیری چولسکی ناکامل

نویسنده (ها)
  • آریا ایران مهر
  • محمد باقر شریف‌نیا
  • محمود فاموری
مربوط به کنفرانس هجدهمین کنفرانس ملی سالانه انجمن کامپیوتر ایران
چکیده یادگیری نیمه نظارتی یکی از رهیافت های جدید یادگیری ماشین می باشد که در این رهیافت، با استفاده همزمان از داده های برچسب دار و بدون برچسب فرایند یادگیری صورت می پذیرد. با توجه به اینکه تهیه داده بدون برچسب بسیار کم هزینه می باشد، مجموعه داده های یادگیری نیمه نظارتی بسیار بزرگ می باشند و کارایی محاسباتی الگوریتم از اهمیت بالایی برخوردار است. در اين مقاله، روشی نوین برای یادگیری سریع SVM نیمه نظارتی ارایه می شود که از تقریب کم رتبه ماتریس هسین در روش نیوتن استفاده می کند. روش ارایه شده در هر تکرار بهینه سازی نیوتن ماتریس پر رتبه هسین را توسط الگوریتم فاکتور گیری چولسکی ناکامل (ICF) به یک ماتریس کم رتبه تقریب زده می شود و فاکتور چولسکی هسین تقریب زده شده حساب می شود. سپس با استفاده از روش جایگذاری رو به جلو دستگاه معادلات نیوتن حل می شود. که مرتبه محاسباتی از O(n^3) بهO(〖n_sv d〗^2) کاهش می یابد که n تعداد نمونه ها، n_sv تعداد بردار پشتیبان ها و d رتبه هِسیَن تقریب زده شده می باشد و 〖d≪n〗_sv^ ≪n . آزمایش ها بر روی مجموعه داده های واقعی کارایی الگوریتم ارایه شده را تصدیق می کند.
قیمت
  • برای اعضای سایت : ۱٠٠,٠٠٠ ریال
  • برای دانشجویان عضو انجمن : ۲٠,٠٠٠ ریال
  • برای اعضای عادی انجمن : ۴٠,٠٠٠ ریال

خرید مقاله