ارائه نگاشت صریح و تنظیم شده‏ ی باناظر برای یادگیری مالتی منیفولد داده‏ های چند منظری بدون برچسب

در این مقاله، به مسئله‏ ی انتخاب خودکار و بدون ناظر منیفولد طبقه در فضای مالتی منیفولد چند منظری می‏پردازیم. مسئله‏ی طبقه‏بندی تصاویر چند منظری برای یافتن منیفولد طبقه را می‏توان به‏عنوان مسئله‏ی یادگیری چندین منیفولد با تعدادی اشتراک بین منیفولدها در نظر گرفت. در حالت کلی مسئله‏ی یادگیری مالتی منیفولد با چندین زیر فضای مستقل کار می‏کند، بنابراین ایجاد تعادل میان اطلاعات درون منیفولد طبقه و ساختار متمایز کننده‏ی بین طبقه‏ها مشکل است. در این مقاله، روشی پیشنهاد می‏دهیم که بدون استفاده از اطلاعات برچسب نقاط داده با توجه به فشردگی درون طبقه‏ای و تفکیک‏پذیری برون طبقه‏ای، ساختار مالتی منیفولد چند منظری را به‏دست می‏آورد. به‏علاوه، برای تعمیم تعبیه برای نقاط جدید که به‏عنوان مشکل خارج از نمونه شناخته می‏شود، نگاشت صریح و تنظیم شده‏ی باناظر برای کاهش بٌعد غیرخطی ارائه کردیم که توسعه خارج از نمونه را برای یادگیری مالتی منیفولد چند منظری در زمینه‏ی طبقه‏بندی انجام می‏دهد. نتایج آزمایشات در دو دسته‏ی مدل‏سازی خودکار و بدون ناظر ساختار گراف مالتی منیفولد چند منظری و نرخ بازشناسی بر روی چندین مجموعه داده‏ی چند منظری برتری روش پیشنهادی را نسبت به دیگر روش‏های گزارش شده در مطالعات اخیر نشان می‏دهد.