مدل تمايزي مبتني بر GPLVM با حفظ ساختار فضايي داده

در اين مقاله يادگيري يك نگاشت بين فضاي ابعاد كم و فضاي ابعاد بالا بر پايه روش كاهش ابعاد مدل متغير مخفي مبتني بر فرآيند گوسين توسعه داده شده است. روش مذكور با انتقالي نرم به فضاي ابعاد كم ساختار داده را حفظ ميكند، در حاليكه اطلاعات بر چسب كلاسها در اين نگاشت در نظر گرفته نميشود. به منظور اتخاذ يك رويكرد نظارتي، فاصله فضايي تحت تاثير برچسب كلاسها محاسبه ميشود و يك كرنل جديد با اضافه كردن عبارت مربوط به اطلاعات فاصله فضايي به كرنل روش پايه پيشنهاد شده است .مقايسه روش پيشنهادي با روشهاي محلي و رويكردهاي كاهش ابعاد با حفظ ساختار داده نشان دهنده كارايي مدل پيشنهادي است. آزمايشات انجام گرفته بر روي دو مجموعه داده استاندارد OilFlow و USPS از نظر بصري سازي و مقايسه trustworthiness و همچنين سنجش شاخصهاي شباهت خوشه بندي نشان دهنده برتري روش پيشنهادي در بيشتر موارد است