عنوان : ( تعمیم عصبی یادگیری چندگانه هسته )
نویسندگان: احمدنوید غنی زاده , رضا منصفی , سید کمال الدین غیاثی شیرازی ,
دانلود فایل برای اعضای دانشگاهبر اساس تصمیم نویسنده مقاله دسترسی به متن کامل برای اعضای غیر دانشگاه ممکن نیست
چکیده
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.
کلمات کلیدی
, یادگیری چندگانه هسته, شبکه های عصبی , طبقه بندی, روش های هسته
@inproceedings{paperid:1061396,
author = {غنی زاده, احمدنوید and منصفی, رضا and غیاثی شیرازی, سید کمال الدین},
title = {تعمیم عصبی یادگیری چندگانه هسته},
booktitle = {هشتمین کنفرانس بین المللی فناوری اطلاعات و دانش},
year = {2016},
location = {همدان, ايران},
keywords = {یادگیری چندگانه هسته; شبکه های عصبی ; طبقه بندی; روش های هسته},
}
%0 Conference Proceedings
%T تعمیم عصبی یادگیری چندگانه هسته
%A غنی زاده, احمدنوید
%A منصفی, رضا
%A غیاثی شیرازی, سید کمال الدین
%J هشتمین کنفرانس بین المللی فناوری اطلاعات و دانش
%D 2016
