Аналіз парадигми Semi-supervised learning для класифікації мультимодальних даних

Naukovii visnik Uzhgorods''kogo universitetu Seriia Matematika i informatika Pub Date : 2021-11-16 DOI:10.24144/2616-7700.2021.39(2).125-144

Н. Бойко

{"title":"Аналіз парадигми Semi-supervised learning для класифікації мультимодальних даних","authors":"Н. Бойко","doi":"10.24144/2616-7700.2021.39(2).125-144","DOIUrl":null,"url":null,"abstract":"У роботі розглядаються алгоритми машинного навчання. Увага зосереджена на напівконтрольному навчанні, яке здається балансом між точністю навчання з учителем та витратами методів навчання без учителя. Розглядаються приклади ретельного опрацювання мічених наборів даних, для яких навчання під наглядом може бути дуже ефективним. Порівнюються підходи semi-supervised та supervised та проаналізована ефективність кожного. В роботі розглядаються підходи S3VM та TSVM. Метою роботи було дослідити чи можуть напівконтрольовані підходи конкурувати з контрольованими або навіть їх перевершити. Описується застосування даних підходів до запропонованого датасету для визначення більш точної класифікації даних, а саме на опорній межі.","PeriodicalId":33567,"journal":{"name":"Naukovii visnik Uzhgorods''kogo universitetu Seriia Matematika i informatika","volume":" ","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2021-11-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Naukovii visnik Uzhgorods''kogo universitetu Seriia Matematika i informatika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.24144/2616-7700.2021.39(2).125-144","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

У роботі розглядаються алгоритми машинного навчання. Увага зосереджена на напівконтрольному навчанні, яке здається балансом між точністю навчання з учителем та витратами методів навчання без учителя. Розглядаються приклади ретельного опрацювання мічених наборів даних, для яких навчання під наглядом може бути дуже ефективним. Порівнюються підходи semi-supervised та supervised та проаналізована ефективність кожного. В роботі розглядаються підходи S3VM та TSVM. Метою роботи було дослідити чи можуть напівконтрольовані підходи конкурувати з контрольованими або навіть їх перевершити. Описується застосування даних підходів до запропонованого датасету для визначення більш точної класифікації даних, а саме на опорній межі.

查看原文本刊更多论文

多媒体分类的半监督学习设置分析

这项工作着眼于机器学习算法。注意力集中在学习的“半控制”上，这似乎在平衡学习准确性和教师免费学习成本。仔细处理标记数据集的例子，监督学习可以非常有效。比较半监督和监督方法这项工作着眼于S3VM和TSVM的方法。这项工作的目的是调查半控制方法是否可以与控制方法竞争，甚至超越它们。描述对建议日期的方法应用，以确定更准确的数据分类，而不是相反的限制。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Naukovii visnik Uzhgorods''kogo universitetu Seriia Matematika i informatika

自引率

0.00%

发文量

审稿时长

12 weeks