stacked autoencoder
در نشریات گروه برق-
با توجه به رشد روزافزون رویکردهای داده محور، به ویژه در هوش مصنوعی و یادگیری ماشین، استخراج اطلاعات مناسب از داده های جمع آوری شده با بهترین عملکرد چالشی قابل ملاحظه است. جنبه مهم دیگر این موضوع هزینه های ذخیره سازی است. تحلیل مولفه اصلی (PCA) و خودرمزگذارها (AEs) نمونه هایی از روش های ا ستخراج ویژگی در علم داده و یادگیری ما شین ه ستند که به طور گ سترده در رویکردهای مختلف ا ستفاده می شوند. مقاله ارایه شده، از مزایای خودرمزگذارها و تحلیل مولفه ا صلی برای ارایه روش انتخاب و ا ستخراج ویژگی تحت نظارت برخط بهره گرفته ا ست. بر این اسااا ، برچساابهای مورد نظر برای مدل نهایی در فرآیند اسااتخراج ویژگی نقش دارند و در روش تحلیل مولفه اصاالی نیز تعبیه میشااوند. همچنین انبا شتن لایه های رمزگذار خودکار غیرخطی با الگوریتم تحلیل مولفه ا صلی، انتخاب ه سته در روش های تحلیل مولفه ا صلی مبتنی بر ه سته قدیمی را حذف می کند. علاوه بر این، بهبود عملکرد توسط نتایج تجربی ارایه شده است. مزیت اصلی روش پیشنهادی این است که، برخلاف رویکردهای سنتی تحلیل مولفه اصلی، مدل ارایه شده، هیچ نیازی برای همه نمونه ها برای استخراج ویژگی ندارد. با توجه به کارهای قبلی، روش پیشنهادی میتواند از نظر دقت و اعتبار برای استخراج ویژگی از دیگر روش های پیشرفته برتر باشد .
کلید واژگان: تحلیل مولفه اصلی، تحلیل مولفه اصلی برخط، خودرمزگذار، خودرمزگذار پشتهای، یادگیری نیمه نظارتیDue to the growing number of data-driven approaches, especially in artificial intelligence and machine learning, extracting appropriate information from the gathered data with the best performance is a remarkable challenge. The other important aspect of this issue is storage costs. The principal component analysis (PCA) and autoencoders (AEs) are samples of the typical feature extraction methods in data science and machine learning that are widely used in various approaches. The current work integrates the advantages of AEs and PCA for presenting an online supervised feature extraction selection method. Accordingly, the desired labels for the final model are involved in the feature extraction procedure and embedded in the PCA method as well. Also, stacking the nonlinear autoencoder layers with the PCA algorithm eliminated the kernel selection of the traditional kernel PCA methods. Besides the performance improvement proved by the experimental results, the main advantage of the proposed method is that, in contrast with the traditional PCA approaches, the model has no requirement for all samples to feature extraction. As regards the previous works, the proposed method can outperform the other state-of-the-art ones in terms of accuracy and authenticity for feature extraction.
Keywords: Principal Component Analysis (PCA), online PCA, autoencoder, stacked autoencoder, semi-supervised learning
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.