یادگیری متریک نیمه نظارتی در فضای لایه ای با بهره گیری دقیق تر از دانش پیشین

یادگیری متریک نیمه نظارتی مبتنی بر منیفلد در سال های اخیر بسیار مورد توجه واقع شده است. این رویکردها، منظم سازی مبتنی بر فرض همواربودن داده ها روی منیفلد را اعمال می کنند، هرچند در معرض دو چالش قرار دارند: 1) شباهت بین دسته های مختلف، تقاطع منیفلدها با یکدیگر را ایجاد می کند که با فرض همواربودن برچسب در این نواحی در تناقض است. 2) دسته بند NN1 که برای تعیین برچسب داده ها در مسایل یادگیری متریک اعمال می شود با وجود تعداد کم داده های برچسب دار دقت مناسب را ندارد. در این مقاله روشی برای یادگیری متریک نیمه نظارتی با فرض قرارگیری داده ها در فضای لایه ای ارائه شده که در آن از دانش پیشین موجود که همان فرض همواربودن داده ها روی هر منیفلد است به صورت دقیق تر بهره برداری شده است. در مرحله یادگیری متریک، فرض همواربودن در نواحی تقاطع اعمال نشده و در مرحله دسته بندی، داده های برچسب دار در نقاط داخلی منیفلدها بر اساس فرض همواربودن توسعه داده شده است. تفکیک نقاط تقاطع منیفلدها از سایر نقاط بر مبنای رفتار متمایز لاپلاسین تابع هموار روی هر منیفلد در نقاط داخلی نسبت به سایر نقاط صورت می گیرد. آزمایش ها نشان دهنده دقت خوب روش پیشنهادی نسبت به روش های مشابه است.