روشی مبتنی بر ماشین یادگیری سریع با هسته غیرخطی برای انتخاب نمونه های اولیه در یادگیری چندبرچسبه مقیاس بزرگ

با وجود حجم عظیم محتوای چند رسانه ای در وب، ذخیره سازی و بازیابی آنها با بکارگیری روش های یادگیری موجود با محدودیت هایی از جمله کمبود حافظه مواجه شده است. تاثیر گذاری محدودیت های مد نظر در روش های یادگیری دارای مرحله آموزش مانند ماشین بردار پشتیبان (SVM) و شبکه های عصبی تا جایی است که امکان بکارگیری این روش ها در کاربرد های مقیاس بزرگ تقریبا غیر ممکن است. روش ماشین یادگیری سریع مبتنی بر هسته غیر خطی (KELM) یکی از روش های قدرتمند ارائه شده در حوزه یادگیری ماشین است. اساس مرحله یادگیری در این روش مبتنی بر ساخت ماتریس هسته ی نمونه های برچسب دار و محاسبه معکوس آن می باشد. از اینرو، بکارگیری این روش در محیط های مقیاس بزرگ با وجود تعداد زیاد نمونه های برچسب دار امکان پذیر نیست. در این پژوهش به منظور حل مشکل مطرح شده در بکارگیری KELM در کاربردهای مقیاس بزرگ، روشی مبتنی بر انتخاب نمونه های اولیه با بهره گیری از KELM در مقیاس کوچک همسایگی هر نمونه آموزش ارائه شده است. با بکارگیری روش انتخاب نمونه های اولیه ارائه شده، حجم مجموعه آموزش کاهش می یابد. بنابراین امکان استفاده از روش یادگیری KELM در کاربردهای مقیاس بزرگ فراهم می شود. از آنجایی که کاربردهای حوزه چند رسانه ای وب به صورت چندبرچسبه می باشند، روش ارائه شده در انتخاب نمونه های اولیه، مبتنی بر کاربردهای چندبرچسبه مانند شرح گذاری خودکار تصاویر است. نتایج آزمایش های تجربی بر روی دادگان چندبرچسبه مقیاس بزرگ NUS-WIDE و نسخه های آن مانندObject، Scene و Lite بیانگر کارایی روش ارائه شده در حل محدودیت های بکارگیری KELM در کاربردهای چندبرچسبه مقیاس بزرگ با انتخاب نمونه های اولیه دارد.