مقاله ترجمه شده درباره یادگیری چند برچسبی انتقالی از طریق انتشار مجموعه برچسب – سال 2013
مشخصات مقاله:
عنوان فارسی مقاله:
یادگیری چند برچسبی انتقالی از طریق انتشار مجموعه برچسب
عنوان انگلیسی مقاله:
Transductive Multi-Label Learning via Label Set Propagation
کلمات کلیدی مقاله:
داده کاوی، یادگیری ماشینی، یادگیری چند برچسبی، یادگیری انتقالی، یادگیری نیمه نظارت شده، داده های بدون برچسب
مناسب برای رشته های دانشگاهی زیر:
کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی و رایانش ابری
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
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
قسمتی از مقاله انگلیسی و ترجمه آن:
I. INTRODUCTION
Conventional classification approaches assume that each instance is associated with only one class label within a number of candidate classes. However, many real-world applications often involve the scenario where each instance can be assigned with a set of multiple labels. For example, in image annotation, one image can be tagged with a set of multiple words, such as urban, building and road, indicating the contents of the image [6], [27]. In bioinformatics, one gene sequence can be associated with a set of multiple functions, such as metabolism and protein synthesis indicating the functions of the gene sequence within a cell’s life circle [10]. In text categorization, one news article can cover multiple aspects of an event, thus being assigned with a set of multiple topics, such as economics and politics [24], [28]. An effective classification model for these real-world data should be able to adopt the multiple labels of each training example and predict a label set, instead of one single label, for each testing example. Motivated by these challenges, the problem of multi-label learning has received considerable attention in the last decade.
1- مقدمه
رویکرد های طبقه بندی سنتی فرض می کنند که هر نمونه با تنها یک برچسب کلاس در چارچوب طیف وسیعی از کلاس های کاندید ارتباط دارد. با این حال، بسیاری از کاربرد های دنیای واقعی شامل سناریو ایی هستند که در آن هر نمونه دارای مجموعه ای از چند برچسب است. برای مثال، در حاشیه تصویر، می توان یک مجموعه از کلمات نظیر شهر ، ساختمان و جاده را الحاق کرد که نشان دهنده محتوی تصویر است(6-27). در بیو انفورماتیک، یک توالی ژنی را می توان با مجموعه ای از دستورات مختلف تعیین کرد نظیر سنتر متابولیسم و پروتین که نشان دهنده عملکرد توالی ژنی در طول حیات سلول است(10). در مرحله طبقه بندی بعدی، یک مقاله جدید می تواند ابعاد مختلف یک رویداد را پوشش دهد که دارای مجموعه ای از چند موضوع به صورت اقتصاد و سیاست است(24-28). یک مدل طبقه بندی موثر برای داده های واقعی بایستی قادر به استفاده از برچسب های مختلف هر نمونه آموزشی و پیش بینی یک مجموعه برچسب به جای یک برچسب برای هر نمونه ازمایشی باشد. بر اساس این چالش ها، مسئله یادگیری چند برچسبی توجه زیادی را در دهه اخیر جلب کرده است.
