Semi-supervised learning paradigm analysis for classification of multimodal data

Н. Бойко

doi:10.24144/2616-7700.2021.39(2).125-144

Автор(и)

Н. Бойко Національний університет "Львівська політехніка", Україна https://orcid.org/0000-0002-6962-9363

DOI:

https://doi.org/10.24144/2616-7700.2021.39(2).125-144

Ключові слова:

навчання під наглядом, метод опорних векторів, трандуктивний метод опорних векторів, метод опорних векторів для часткового навчання, прикладний програмний інтерфейс

Анотація

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.

Посилання

Estivill-Castro, V., & Lee, I. (2000). Amoeba: Hierarchical clustering based on spatial proximity using Delaunay diagram, in: 9th Intern. Symp. on spatial data handling, Beijing, China. 26-41.

Boehm, C., Kailing, K., Kriegel, H., & Kroeger, P. (2004). Density connected clustering with local subspace preferences, IEEE Computer Society, Proc. of the 4th IEEE Intern. conf. on data mining, Los Alamitos. 27-34.

Boyko, N., & Shakhovska, K. (2018). Information system of catering selection by using clustering analysis, in: 2018 IEEE Ukraine Student, Young Professional and Women in Engineering Congress (UKRSYW). Kyiv, Ukraine. 7-13.

Harel, D., & Koren, Y. (2001). Clustering spatial data using random walks, in: Proc. of the 7th ACM SIGKDD Intern. conf. on know ledge discovery and data mining. San Francisco, California. 281-286.

Tung, A.K., Hou, J., & Han, J. (2001). Spatial clustering in the presence of obstacles, in: The 17th Intern. conf. on data engineering (ICDE'01), Heidelb erg. 359-367.

Boyko, N., Bronetskyi, A., & Shakhovska, N. (2019). Application of Artificial Intelligence Algorithms for Image Processing, in: CEUR. Workshop Proceedings of the 8th International Conference on Mathematics. Information Technologies. Educational, MoMLeT&DS-2019, Vol-2386 urn: nbn: de: 0074-2386-1, Shatsk, Ukraine, June 2-4, 2019, 194-211.

Agrawal, R., Gehrke, J., Gunopulos, D., & Raghava, P. (2005). Automatic subspace clustering of high dimensional data, Data mining knowledge discovery, 11(1), 5-33.

Ankerst, M., Ester, M., & Kriegel, H. P. (2000). Towards an effective cooperation of the user and the computer for classification, in: Proc. of the 6th ACM SIGKDD Intern. conf. on knowledge discovery and data mining. Boston, Massachusetts, USA. 179-188.

Zhang, C., & Murayama, Y. (2000). Testing local spatial autocorrelation using. Intern. J. of Geogr. Inform. Science, 14, 681-692.

Estivill-Castro, V., & Lee, I. (2000). Amoeba: Hierarchical clustering based on spatial proximity using Delaunay diagram, in: 9th Intern. Symp. on spatial data handling. Beijing, China. 26-41.

Guo, D., Peuquet, D. J., & Gahegan, M. (2003). ICEAGE: Interactive clustering and exploration of large and high-dimensional geo data, Geoinformatica, 3(7), 229-253.

Boyko, N., & Basystiuk, O. (2018). Comparison Of Machine Learning Libraries Performance Used For Machine Translation Based On Recurrent Neural Networks, in: 2018 IEEE Ukraine Student, Young Professional and Women in Engineering Congress (UKRSYW). Kyiv, Ukraine. 78-82.

Aggarwal, C., & Yu, P. (2000). Finding generalized projected clusters in high dimensional spaces, in: ACM SIGMOD Intern. conf. on management of data. 70-81.

Thanki, R., & Borra, S. (2019). Application of Machine Learning Algorithms for Classication and Security of Diagnostic Images, Machine Learning in Bio-Signal Analysis and Diagnostic Imaging, 273-292.

Peuquet, D. J. (2000). Representations of space and time. N. Y.: Guilford Press.

Procopiuc, C. M., Jones, M., Agarwal, P. K., & Murali, T. M. (2002). A Monte Carlo algorithm for fast projective clustering, in: Intern. conf. on management of data, ACM SIGMOD, Madison, Wisconsin, USA. 418-427.

Chitra, K., & Maheswari, D. (2017). A Comparative Study of Various Clustering Algorithms in Data Mining. International Journal of Computer Science and Mobile Computing, 6(8),. 109-115