انجمن کامپیوتر ایران

امروزه در بسیاری از مسائل یادگیری، برچسب¬زنی به تمامی داده¬ها، از نظر عملی و یا به لحاظ اقتصادی امکان¬پذیر نمی¬باشد؛ این امر منجر به ایجاد مسائلی می¬شود که در آنها تنها تعداد کمی از داده¬ها دارای برچسب و مابقی، فاقد برچسب می¬باشند. از اینرو در سال¬های اخیر، تلاش¬های فراوانی در جهت ایجاد و بهبود روش¬های یادگیری نیمه¬نظارتی صورت گرفته است. ما نیز در این مقاله به ارائه¬ی چارچوبی تجمیعی در یادگیری نیمه¬نظارتی می¬پردازیم که به صورت همزمان از نتایج چندین طبقه¬بند نیمه-نظارتی، بهره می¬گیرد. انتخاب مناسب طبقه¬بندهای مورد استفاده در چارچوب پیشنهادی، نقش بسیار مهمی در کارایی این روش ایفا می¬نماید. به همین منظور ما در این¬ مقاله دو الگوریتم نیمه¬نظارتی جدید با نام¬های EFM و MCO-Trainingکه صورتی بهبودیافته از طبقه¬بندهای نیمه¬نظارتی EM و Co-Training می¬باشند، به جهت قرارگیری در چارچوب موردنظر، ارائه می¬دهیم. آزمایشات صورت¬گرفته بر تعدادی از مجموعه داده¬های استاندارد، گویای برتری طبقه¬بندهای نیمه¬نظارتی بهبودیافته، نسبت به شکل سنتی خود و نیز برتری طبقه¬بند نیمه¬نظارتی تجمیعی نسبت به استفاده¬ی منفرد از طبقه¬بندهای نیمه¬نظارتی می¬باشد.