توسعه یک مدل یادگیری نیمه نظارتی بر پایه بهینه سازی چندهدفه ازدحام ذرات

دستیابی به داده های برچسب دار، برای مسائلی در اندازه های بزرگ، فرآیندی زمان بر و پر هزینه است. در این شرایط استفاده از روش های یادگیری ماشین نیمه نظارتی می تواند جایگزین مناسبی برای روش های متداول نظارت شده باشد. از موثرترین روش های نیمه نظارتی برای مقابله با کمبود داده های برچسب دار، می توان به روش های خود برچسب زن اشاره کرد. روش های خود برچسب زن در یک فرآیند تکراری با برچسب زدن داده های بدون برچسب، باعث افزایش داده های برچسب دار آموزشی می شوند. اگرچه این روش ها با افزایش داده های برچسب دار آموزشی به صورت چشمگیری موجب بهبود فرآیند آموزش و دقت کلاس بندی می شوند اما ممکن است با اشتباه برچسب زدن داده ها عملکرد کلاس بندی مختل شود. در این پژوهش جهت مقابله با کمبود داده های برچسب دار که از دلایل اشتباه برچسب زدن داده ها در فرآیند خودبرچسب زنی می باشد داده های برچسب دار با دو هدف دقت کلاس بندی و تنوع تولید می شود. ایده اصلی چارچوب پیشنهادی استفاده از الگوریتم چندهدفه ی بهینه سازی ازدحام ذرات جهت تنظیم کردن مکان داده های برچسب دار تولید شده و رسیدن به داده هایی با دقت کلاس بندی بالا و تنوع بالا در فضای مسئله است. نتایج برتری روش پیشنهادی را در مقایسه با روش های موجود در ادبیات تایید کرد.

کلیدواژه ها:

یادگیری نیمه نظارتی ، کمبود داده های برچسب دار ، بهینه سازی چندهدفه ازدحام ذرات ، خود برچسب زن ، چگالی داده ها و تنوع