دسته‌بندي نيمه نظارتي منيفلدهاي متقاطع بر مبناي تمايز نقاط داخلي منيفلدها از ساير نقاط

دسته‌بندي نيمه نظارتي مبتني بر منيفلد در سال‌هاي اخير مورد توجه بسياري از پژوهشگران واقع شده است. رويكردهاي موجود از فاصله اقليدسي به صورت محلي براي تقريب فاصله روي منيفلدها و اعمال فرض هموار بودن روي منيفلد استفاده مي‌كنند. در فضايي كه چند منيفلد با يكديگر اشتراك دارند اين تقريب در نواحي اشتراك صحيح نبوده و باعث انتشار اشتباه برچسب‌ها مي‌شود. در اين مقاله الگوريتمي بر مبناي تفكيك نقاط داخلي منيفلد از ساير نقاط جهت دسته‌بندي نيمه‌نظارتي روي منيفلدهاي متقاطع جهت يادگيري دسته‌بند مبتني بر اتصالات مطمئن‌تر در گراف ارائه‌كننده‌ي داده پيشنهاد شده است. الگوريتم پيشنهادي وزن يال‌هاي گراف ارائه‌كننده‌ي منيفلد را جهت انتشار برچسب اصلاح مي‌كند. در مقايسه با رويكردهاي دسته‌بندي نيمه نظارتي روي چند منيفلد، رويكرد پيشنهادي بر مبناي اين فرض‌هاي محدودكننده نيست: مشخص بودن ابعاد ذاتي منيفلدها، نياز به تعداد خيلي زياد داده‌هاي بدون برچسب جهت تخمين منيفلدها و انتساب خصوصيات همسايگي مشابه به تمام نقاط. آزمايش‌ها روي مجموعه داده‌هاي مصنوعي و واقعي نشان‌دهنده‌ي دقت خوب روش پيشنهادي نسبت به روش‌هاي مشابه است.