13230

13230

ارائه روشي مبتني بر استفاده از منابع داده چندگانه به منظور كاهش انتقال منفي در انتقال يادگيري

كارشناسي ارشد

كامپيوتر - هوش مصنوعي

ارديبهشت ماه 1393

ارديبهشت ماه 1393

دكتر ناصر مزيني

چكيده فرض اصلي در الگوريتم هاي يادگيري ماشين اين است كه دادههاي آموزشي از دامنه مبدا با داده هايي تست از دامنه مقصد بايد از نظر فضاي ويژگي و توزيع، يكسان باشند. با اين حال، در بسياري از كاربردهاي جهان واقعي، اين فرض ممكن است نقض شود. در اين شرايط، مبحثي تحت عنوان انتقال دانش (يادگيري)، مطرح ميشود. در سال هاي اخير، انتقال يادگيري به عنوان يك چارچوب يادگيري جديد براي رسيدگي به اين مسايل پديد آمده است. انتقال يادگيري به ما اجازه مي دهد دانش بدست آمده از دامنه منبع را به منظور كمك به يادگيري يك طبقه بند براي دامنه هدف اعمال كنيم. اثرات انتقال بوسيله رابطه بين منبع و هدف تحت تاثير قرار مي گيرد. به جاي بهبود يادگيري، اعمال كردن دانش از منبعي كه ارتباط ضعيفي با هدف دارد ممكن است كارايي را كاهش دهد كه به عنوان انتقال منفي شناخته مي شود. يك استراتژي براي كاهش انتقال منفي وارد كردن دانش از منابع چندگانه به منظور افزايش شانس يافتن يك منبع نزديك به هدف مي باشد. در اين پايان نامه دو الگوريتم پيشنهاد ميشود كه مبتني بر انتفال نمونه هستند. در الگوريتم اول، ازAdaBoost براي تشخيص نمونه هاي مناسب استفاده ميشود. تفاوت اين روش با روشهاي پيشين در اين است كه در اين روش فرض ميشود نمونه هاي دامنه منبع بدون برچسب هستند. مزيت اين امر كاهش هزينه براي برچسب دهي دادهها است. اگرچه ممكن است باعث كاهش دقت دستهبندي شود. الگوريتم دوم كه مبتني بر ماشين بردار پشتيبان قياسي است، در هر تكرار يك جواب بهينه محلي پيدا خواهد كرد. بدين ترتيب كه در هر تكرار زيرمجموعه اي از نمونه هاي بدون برچسب به همراه نمونه هاي برچسب دار دامنه مقصد در مجموعه اي مانند R واقع شده و سپس رابطه ماشين بردار پشتيبان قياسي براي آنها فرموله مي شود. در پايان t دسته بند خواهيم ايجاد مي شود، كه خروجي نهايي را مي سازند. واژه هاي كليدي: انتقال يادگيري 1 ، انتقال منفي 2 ، وظيفه هدف 3 ، وظيفه منبع 4