دانشکده مهندسی کامپیوتر- دانشگاه تربیت دبیر شهید رجایی
چکیده: (749 مشاهده)
با گسترش سریع تکنولوژی، حجم عظیمی از دادههای بدون برچسب با ابعاد زیاد، نیاز به پردازش پیدا کردند. برای کاهش ابعاد، انتخاب ویژگی غیرنظارتی، به عنوان یک پیشمرحله مهم قبل از وظایف یادگیری ماشین، شناخته میشود. در این مقاله، یک روش انتخاب ویژگی غیرنظارتی پیشنهاد میشود. روش مذکور بر اساس گراف ماتریس و ماتریس وزنی، به صورت پویا و مقیاسپذیر عمل میکند. برای بهبود عمکرد این روش، به جای استفاده از تابع لاگرانژ در ساخت ماتریس وزنی، تئوری گراف دو قسمته اعمال میشود. انتخاب ویژگی روی گراف ماتریس انجام میشود. این گراف با به کارگیری k نزدیکترین همسایه ساخته میشود، که روش را نسبت به نویز مقاوم تر میکند. همچنین ساختار سراسری دادهی اصلی، از طریق ساخت ماتریس وزن بازسازیشده با کمک محدودیت رتبه پایین، حفظ میشود. علاوهبراین، نمرهی ویژگی، که بهطور صریح قدرتمندی ویژگیها را منعکس میکند، با کمک تابع Frobenius norm مدل میشود. روش پیشنهادی با روشهای مشابه در سه معیار دقت کلاسبندی، حساسیت به پارامتر و پیچیدگی زمانی مقایسه شدهاست. آزمایشها نشان میدهد که دقت کلاسبندی روش ارائه شدهی این مقاله، به طور متوسط 2.83% بهبود یافتهاست. همچنین پیچیدگی زمانی آن تا max{O(n2d),O(nm)} کاهش یافتهاست، که n تعداد نمونهها، d تعداد ویژگیها و m تعداد نقاط لنگر هستند.
نوع مقاله:
پژوهشي |
موضوع مقاله:
مخابرات دریافت: 1400/6/23 | پذیرش: 1401/5/24 | انتشار: 1402/3/3