ارائه نگاشت صريح و تنظيم شده ي باناظر براي يادگيري مالتي منيفولد داده هاي چند منظري بدون برچسب

A Supervised Method for Building A Regularized Map for General Multi-View Multi-Manifold Learning

در اين مقاله، به مسئله ي انتخاب خودكار و بدون ناظر منيفولد طبقه در فضاي مالتي منيفولد چند منظري ميپردازيم. مسئله ي طبقه بندي تصاوير چند منظري براي يافتن منيفولد طبقه را ميتوان به عنوان مسئله ي يادگيري چندين منيفولد با تعدادي اشتراك بين منيفولدها در نظر گرفت. در حالت كلي مسئله ي يادگيري مالتي منيفولد با چندين زير فضاي مستقل كار مي كند، بنابراين ايجاد تعادل ميان اطلاعات درون منيفولد طبقه و ساختار متمايز كننده ي بين طبقه ها مشكل است. در اين مقاله، روشي پيشنهاد ميدهيم كه بدون استفاده از اطلاعات برچسب نقاط داده با توجه به فشردگي درون طبقه اي و تفكيك پذيري برون طبقه اي، ساختار مالتي منيفولد چند منظري را به دست مي آورد. به علاوه، براي تعميم تعبيه براي نقاط جديد كه به عنوان مشكل "خارج از نمونه" شناخته ميشود، نگاشت صريح و تنظيم شده ي باناظر براي كاهش بٌعد غيرخطي ارائه كرديم كه "توسعه خارج از نمونه" را براي يادگيري مالتي منيفولد چند منظري در زمينه ي طبقه بندي انجام مي دهد. نتايج آزمايشات در دو دسته ي مدلسازي خودكار و بدون ناظر ساختار گراف مالتي منيفولد چند منظري و نرخ بازشناسي بر روي چندين مجموعه داده ي چند منظري برتري روش پيشنهادي را نسبت به ديگر روشهاي گزارش شده در مطالعات اخير نشان مي دهد.

In this paper, we consider the issue of automatic and unsupervised class-manifold selection in a multiview multi-manifold space. General multi-manifold learning methods achieve multiple independent manifolds, so it is challenging for them to adjust the intra-class local manifold information and global inter-class discriminative structure. In this paper, we propose a multi-manifold embedding method, which can explicitly obtain multi-view multi-manifold structure while considering both intra-class compactness and inter-class separability without using the class label information. Furthermore, to the generalization of embedding to novel points, known as the out-of-sample extension problem in multi-view multi-manifold learning, we propose a supervised method for building a regularized map that provides an out-of-sample extension for general multiview multi-manifold learning studied in the context of classification. Experimental results on face and object images demonstrate the potential of the proposed method for the classification of multi-view multi-manifold data sets and the proposed out-of-sample extension algorithm for the classification of manifold-modeled data sets.