Personalized transductive learning

Personalized transductive learning (PTL) builds a unique local model for classification of individual test samples and is therefore practically neighborhood dependant; i.e. a specific model is built in a subspace spanned by a set of samples adjacent to the test sample. While existing PTL methods usually define the neighborhood by a predefined (dis)similarity measure, this paper introduces a new concept of a knowledgeable neighborhood and a transductive Support Vector Machine (SVM) classification tree (t-SVMT) for PTL. The neighborhood of a test sample is constructed over the classification knowledge modelled by regional SVMs, and a set of such SVMs adjacent to the test sample is systematically aggregated into a t-SVMT. Compared to a regular SVM and other SVMTs, a t-SVMT, by virtue of the aggregation of SVMs, has an inherent superiority in classifying class-imbalanced datasets. The t-SVMT has also solved the over-fitting problem of all previous SVMTs since it aggregates neighborhood knowledge and thus significantly reduces the size of the SVM tree. The properties of the t-SVMT are evaluated through experiments on a synthetic dataset, eight bench-mark cancer diagnosis datasets, as well as a case study of face membership authentication.

ผลลัพธ์ (ไทย) 1:

เรียนรู้ transductive ส่วนตัว (บริษัท) สร้างแบบจำลองท้องถิ่นเฉพาะสำหรับการจัดประเภทของตัวอย่างทดสอบต่าง ๆ นั้น จึงจริง ขึ้นอยู่บริเวณใกล้เคียง เช่นโมเดลที่ระบุอยู่ใน subspace ที่ขยาย โดยตั้งอยู่ติดกับตัวอย่างทดสอบตัวอย่าง ในขณะที่อยู่บริษัทวิธีมักจะกำหนดพื้นที่ใกล้เคียง โดยการวัดความคล้ายคลึงกันล่วงหน้า (dis) กระดาษนี้แนะนำแนวคิดใหม่ของย่านที่มีความรู้และ transductive เครื่องสนับสนุนเวกเตอร์ (SVM) ประเภทต้นไม้ (t SVMT) สำหรับบริษัท ย่านของตัวอย่างทดสอบจะสร้างผ่านความรู้ประเภทคือ แบบจำลอง โดย SVMs ภูมิภาค และระบบมีรวมชุดของ SVMs ดังกล่าวอยู่ติดกับตัวอย่างทดสอบเป็น t-SVMT เมื่อเทียบกับ SVMTs อื่น ๆ และ SVM ปกติ เป็น t-SVMT อาศัยรวมของ SVMs มีปมมีโดยธรรมชาติในประเภทคลาส imbalanced datasets T-SVMT ยังมีแก้ไขปัญหาเกินเหมาะสมของ SVMTs ก่อนหน้านี้ทั้งหมดตั้งแต่มันรวมความรู้ใกล้เคียง และลดขนาดของต้น SVM ดัง มีประเมินคุณสมบัติของ t-SVMT ผ่านการทดลองบนชุดข้อมูลสังเคราะห์ datasets วินิจฉัยมะเร็งหมายม้าแปด ตลอดจนกรณีศึกษาของหน้าสมาชิกรับรองความถูกต้อง

ผลลัพธ์ (ไทย) 2:

การเรียนรู้ transductive ส่วนบุคคล (PTL) สร้างรูปแบบที่ไม่ซ้ำกันในท้องถิ่นสำหรับการจำแนกประเภทของตัวอย่างทดสอบของแต่ละบุคคลและพื้นที่ใกล้เคียงดังนั้นจึงเป็นเรื่องจริงขึ้น; คือเป็นรูปแบบเฉพาะที่ถูกสร้างขึ้นในสเปซทอดโดยชุดของกลุ่มตัวอย่างที่อยู่ติดกับตัวอย่างทดสอบ ในขณะที่วิธีการที่มีอยู่ PTL มักจะกำหนดพื้นที่ใกล้เคียงโดยที่กำหนดไว้ล่วงหน้า (DIS) วัดความคล้ายคลึงกันบทความนี้นำเสนอแนวคิดใหม่ของพื้นที่ใกล้เคียงที่มีความรู้และเครื่องเวกเตอร์สนับสนุน transductive (SVM) ต้นไม้การจัดหมวดหมู่ (t-SVMT) สำหรับ PTL ย่านของตัวอย่างทดสอบที่สร้างขึ้นมากกว่าความรู้รูปแบบการจัดหมวดหมู่โดยจำแนกในระดับภูมิภาคและชุดของ SVMs ดังกล่าวอยู่ใกล้เคียงกับตัวอย่างทดสอบถูกรวบรวมอย่างเป็นระบบเป็นเสื้อ SVMT เมื่อเทียบกับ SVM ปกติและ SVMTs อื่น ๆ เสื้อ SVMT โดยอาศัยการรวมตัวของ SVMs ที่มีเหนือกว่าอยู่ในชุดข้อมูลจำแนกระดับขาดดุล เสื้อ SVMT ยังมีการแก้ไขปัญหาที่เกิดขึ้นในช่วงที่เหมาะสมของ SVMTs ก่อนหน้านี้ทั้งหมดเนื่องจากมวลรวมความรู้และพื้นที่ใกล้เคียงจึงมีนัยสำคัญช่วยลดขนาดของต้นไม้ SVM ที่ คุณสมบัติของเสื้อ SVMT ได้รับการประเมินผ่านการทดลองในชุดข้อมูลที่สังเคราะห์แปดชุดข้อมูลการวินิจฉัยโรคมะเร็งม้านั่งเครื่องหมายเช่นเดียวกับกรณีศึกษาของการตรวจสอบการเป็นสมาชิกใบหน้า

ผลลัพธ์ (ไทย) 3:

transductive การเรียนรู้ส่วนบุคคล ( PTL ) สร้างแบบท้องถิ่นที่เป็นเอกลักษณ์สำหรับประเภทของตัวอย่างการทดสอบรายบุคคลและดังนั้นจึงจะพึ่งพาเพื่อนบ้าน เช่น รูปแบบเฉพาะได้ถูกสร้างขึ้นในราว โดยชุดของตัวอย่างที่อยู่ติดกันเพื่อทดสอบตัวอย่าง ในขณะที่วิธี PTL ที่มีอยู่มักจะกำหนดละแวก โดยกำหนดไว้ล่วงหน้า ( DIS ) เหมือนกันวัดบทความนี้ได้เสนอแนวคิดใหม่ของชุมชนมีความรู้และ transductive สนับสนุนเวกเตอร์เครื่องจักร ( SVM ) หมวดหมู่ต้นไม้ ( t-svmt ) PTL . เพื่อนบ้านของตัวอย่างทดสอบจะถูกสร้างขึ้นผ่านความรู้โดยการจำลองแบบในระดับภูมิภาค , และชุดตัวจำแนกแบบสองประเภทดังกล่าวอยู่ติดกับตัวอย่างทดสอบเป็นระบบรวมเป็น t-svmt .เมื่อเทียบกับปกติ svmts SVM และอื่น ๆ t-svmt โดยอาศัยอำนาจของการรวมตัวของแบบมีปมอยู่ในระดับสมดุลตามชุดข้อมูล การ t-svmt ยังแก้เรื่องปัญหาที่เหมาะสมของ svmts ก่อนหน้านี้ทั้งหมด เนื่องจากมวลความรู้ชุมชนและจึงช่วยลดขนาดของต้นไม้ SVM .คุณสมบัติของ t-svmt ได้รับการประเมินผ่านการทดลองในชุดข้อมูลสังเคราะห์แปด Bench Mark การวินิจฉัยโรคมะเร็งข้อมูล ตลอดจนกรณีศึกษาการตรวจสอบใบหน้า