یادگیری نیمه نظارتی کرنل مرکب با استفاده از تکنیک های یادگیری معیار فاصله

معیار فاصله، نقشی کلیدی در بسیاری از الگوریتم های آموزش ماشین و شناسایی آماری الگو دارد؛ به گونه ای که انتخاب تابع فاصله مناسب، تاثیر مستقیمی بر عملکرد این الگوریتم ها دارد. در سال های اخیر، آموزش معیار فاصله با استفاده از نمونه های برچسب دار و یا دیگر اطلاعات موجود، یکی از حوزه های بسیار فعال در حوزه آموزش ماشین شده است. پژوهش ها در این راستا، نشان داده است که معیارهای سنجش فاصله مبتنی بر یادگیری، عملکرد بسیار بهتری در مقایسه با معیارهای فاصله مرسوم از قبیل فاصله اقلیدسی دارند. با گسترش این الگوریتم ها، نوع مبتنی بر کرنل برخی از این الگوریتم ها نیز ارائه شده که در آنها با استفاده از تابع کرنل، نمونه ها به طور غیر صریح به فضای ویژگی جدیدی با ابعاد بالاتر نگاشت یافته و سپس در این فضای ویژگی جدید، معیار فاصله برای کاربرد مورد نظر آموزش داده می شود. برخلاف عملکرد بسیار خوب توابع کرنل در الگوریتم های مختلف، یکی از مسائلی که در این الگوریتم ها وجود دارد، انتخاب کرنل مناسب و یا پارامترهای مناسب برای یک کرنل مشخص است. استفاده از کرنل مرکب به جای استفاده از یک کرنل به تنهایی، بهترین راه حلی است که تاکنون برای این مسئله ارائه شده است. در فرآیند دست یابی به کرنل مرکب بهینه نیز، استفاده از الگوریتم های یادگیری اهمیت دارد. در این پژوهش، با ادغام این دو فرآیند یادگیری، ساختارهای نیمه نظارتی متفاوتی برای تعیین وزن کرنل ها در یک ترکیب کرنلی ارائه می شود. کرنل مرکب نهایی برای سنجش فاصله داده ها در کاربرد خوشه بندی مورد استفاده واقع می شود. در ساختارهای نیمه نظارتی بررسی شده، سعی بر آن است که در فرآیند بهینه سازی با تعیین تابع هدف مناسب، وزن کرنل ها به گونه ای تعیین شود که فاصله زوج های مشابه کمینه و فاصله زوج های نامشابه بیشینه شود. بررسی عملکرد این ساختارهای پیشنهادی بر روی داده مصنوعی XOR و همچنین مجموعه داده های پایگاه داده UCI نشان دهنده موثر بودن ساختارهای پیشنهادی است.