بازگشت به جستجو

نظارت بر مدل‌های موضوعی با فرآیندهای گاوسی

عنوان	نظارت بر مدل‌های موضوعی با فرآیندهای گاوسی
نویسنده	کندمیر، ملیح، کیکچ، ت.، ینی ترزی، ریان
تاریخ انتشار:	2018-05
محل انتشار	- الزویر
موضوع	تخصیص دیریکله نهفته، استنتاج بیزی ناپارامتری، فرآیندهای گاوسی، استنتاج متغیر، مدل‌های موضوعی نظارت شده
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	0031-3203
شماره ثبت	9071858b-d33c-49fc-b4b3-0df83d8d9446
محل کتابخانه	علوم کامپیوتر
تاریخ	2018-05
یادداشت‌ها	سازمان تحقیقات علمی هلند (NWO)
متن نمونه	مدل‌سازی موضوعی یک رویکرد قدرتمند برای مدل‌سازی داده‌هایی است که به صورت هیستوگرام‌های با ابعاد بالا نمایش داده می‌شوند. در حالی که ابعاد بالای چنین داده‌های ورودی در برنامه‌های بدون نظارت از جمله مدل‌سازی زبان و کاوش داده‌های متنی بسیار سودمند است، در مواردی که اطلاعات کلاس برای افزایش عملکرد پیش‌بینی در دسترس است، مشکلاتی را ایجاد می‌کند. تغذیه چنین ورودی به طور مستقیم به یک طبقه بندی کننده از نفرین ابعاد رنج می برد. از سوی دیگر، انجام کاهش ابعاد و طبقه‌بندی به صورت غیرمستقیم، به دلیل از دست دادن اطلاعات در شکاف بین این دو مرحله بدون اطلاع از یکدیگر، نمی‌تواند از عملکرد مطلوب برخوردار باشد. مدل‌های موضوعی نظارت‌شده موجود که به‌عنوان راه‌حلی برای چنین سناریوهایی معرفی شده‌اند، تاکنون تنها طبقه‌بندی‌کننده‌های خطی را به منظور قابل حمل نگه‌داشتن استنتاج، ترکیب کرده‌اند که باعث قربانی شدن چشمگیر قدرت بیانی می‌شود. در این مقاله، ما اولین ساخت بیزی را برای انجام مدل‌سازی موضوعی و طبقه‌بندی غیرخطی به طور مشترک پیشنهاد می‌کنیم. ما از تخصیص دیریکله پنهان (LDA) برای مدل‌سازی موضوع و فرآیندهای گاوسی پراکنده برای طبقه‌بندی غیرخطی استفاده می‌کنیم. ما این دو جزء را با یک متغیر پنهان که توزیع موضوع تجربی هر سند را در مجموعه کدگذاری می‌کند، ترکیب می‌کنیم. ما با تطبیق ایده‌هایی از فرآیندهای عمیق گاوسی تازه در حال ظهور در قلمرو مدل‌سازی موضوع، به یک طرح استنتاج متغیر جدید دست می‌یابیم. ما نشان می‌دهیم که مدل ما از سایر رویکردهای موجود مانند: (i) LDA جدا و طبقه‌بندی غیرخطی، (ii) LDA مشترک و طبقه‌بندی خطی، (iii) مدل‌سازی مشترک زیرفضای خطی غیر LDA و طبقه‌بندی خطی، و (iv) طبقه‌بندی غیرخطی بدون مدل‌سازی موضوعی، در سه مجموعه داده معیار taggord یا از دو برنامه کاربردی واقعی-تصویر.
DOI	10.1016/j.patcog.2017.12.019
Cilt	77

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

نظارت بر مدل‌های موضوعی با فرآیندهای گاوسی

نویسنده کندمیر، ملیح، کیکچ، ت.، ینی ترزی، ریان

تاریخ انتشار 2018-05

محل انتشار - الزویر

موضوع تخصیص دیریکله نهفته، استنتاج بیزی ناپارامتری، فرآیندهای گاوسی، استنتاج متغیر، مدل‌های موضوعی نظارت شده

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 0031-3203

شماره ثبت 9071858b-d33c-49fc-b4b3-0df83d8d9446

محل کتابخانه علوم کامپیوتر

تاریخ 2018-05

یادداشت‌ها سازمان تحقیقات علمی هلند (NWO)

متن نمونه مدل‌سازی موضوعی یک رویکرد قدرتمند برای مدل‌سازی داده‌هایی است که به صورت هیستوگرام‌های با ابعاد بالا نمایش داده می‌شوند. در حالی که ابعاد بالای چنین داده‌های ورودی در برنامه‌های بدون نظارت از جمله مدل‌سازی زبان و کاوش داده‌های متنی بسیار سودمند است، در مواردی که اطلاعات کلاس برای افزایش عملکرد پیش‌بینی در دسترس است، مشکلاتی را ایجاد می‌کند. تغذیه چنین ورودی به طور مستقیم به یک طبقه بندی کننده از نفرین ابعاد رنج می برد. از سوی دیگر، انجام کاهش ابعاد و طبقه‌بندی به صورت غیرمستقیم، به دلیل از دست دادن اطلاعات در شکاف بین این دو مرحله بدون اطلاع از یکدیگر، نمی‌تواند از عملکرد مطلوب برخوردار باشد. مدل‌های موضوعی نظارت‌شده موجود که به‌عنوان راه‌حلی برای چنین سناریوهایی معرفی شده‌اند، تاکنون تنها طبقه‌بندی‌کننده‌های خطی را به منظور قابل حمل نگه‌داشتن استنتاج، ترکیب کرده‌اند که باعث قربانی شدن چشمگیر قدرت بیانی می‌شود. در این مقاله، ما اولین ساخت بیزی را برای انجام مدل‌سازی موضوعی و طبقه‌بندی غیرخطی به طور مشترک پیشنهاد می‌کنیم. ما از تخصیص دیریکله پنهان (LDA) برای مدل‌سازی موضوع و فرآیندهای گاوسی پراکنده برای طبقه‌بندی غیرخطی استفاده می‌کنیم. ما این دو جزء را با یک متغیر پنهان که توزیع موضوع تجربی هر سند را در مجموعه کدگذاری می‌کند، ترکیب می‌کنیم. ما با تطبیق ایده‌هایی از فرآیندهای عمیق گاوسی تازه در حال ظهور در قلمرو مدل‌سازی موضوع، به یک طرح استنتاج متغیر جدید دست می‌یابیم. ما نشان می‌دهیم که مدل ما از سایر رویکردهای موجود مانند: (i) LDA جدا و طبقه‌بندی غیرخطی، (ii) LDA مشترک و طبقه‌بندی خطی، (iii) مدل‌سازی مشترک زیرفضای خطی غیر LDA و طبقه‌بندی خطی، و (iv) طبقه‌بندی غیرخطی بدون مدل‌سازی موضوعی، در سه مجموعه داده معیار taggord یا از دو برنامه کاربردی واقعی-تصویر.

DOI 10.1016/j.patcog.2017.12.019

Cilt 77