تعمیم عصبی یادگیری چندگانه هسته
محل انتشار: هشتمین کنفرانس بین المللی فناوری اطلاعات ودانش
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 670
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICIKT08_123
تاریخ نمایه سازی: 5 بهمن 1395
چکیده مقاله:
یادگیری چندگانه هسته (MKL)، خانواده ای از الگوریتم های یادگیری ماشین می باشد که با استفاده از چندین تابع هسته متفاوت در انواعکاربردهای داده کاوی مورد استقبال واقع شده است. اما بیشتر روش های مطرح شده در این زمینه، سعی در بهبود کارایی محاسباتی دارند ومقالات کمتری به صحت طبقه بندی توجه داشته اند. در این مقاله سعی شده است با ارائه قالبی متفاوت از فرم متعارف یادگیری چندگانههسته، خروجی ماشین های یادگیر (SVM) به صورت غیرخطی با استفاده از مدل شبکه عصبی ترکیب شوند. به عبارتی در این روش، مدلجدیدی برای تابع هسته ارائه نمیشود بلکه قالب جدیدی برای ترکیب طبقه بندها مطرح می شود. درنهایت، روش پیشنهادی با انواع روش هایمطرح یادگیری چندگانه هسته بر روی تعدادی از مجموعه داده های پرکاربرد مقایسه می شود و مشاهده می شود صحت این روش نسبت بهسایر روشها بهبود چشمگیری داشته است.
کلیدواژه ها:
نویسندگان
احمد نویدغنی زاده
دانشجوی کارشناسی ارشد، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
رضا منصفی
دانشیار، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
سیدکمال الدین غیاثی شیرازی
استادیار، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :