يادگيري به موقع معيار فاصله در محيطهاي غير ايستا

Just-in-time Adaptive Distance Metric Learning in nonstationary Environments

در اين مقاله يك روش غير پارامتري تطبيقي براي يادگيري به موقع معيار فاصله در محيطهاي پويا ارايه ميگردد. استفاده از اين روش در محيطهاي غير ايستا،‏ طبقه بندي بر اساس شباهتِ الگوهاي ورودي كه از يك فرآيند تصادفي غير پارامتري بيرون كشيده شده اند را با كارايي بالا امكان پذير مي سازد. منظور از كارايي در اينجا دقت طبقه بندي كننده،‏ ابعاد فضاي ويژگي و تعداد مراجعات براي بروزرساني و تطبيق پارامترها در طول عمر سيستم است. براي اين منظور از داده ها با برچسب زماني براي يادگيري معيار فاصله و استخراج ويژگيهاي جديد استفاده ميشود. اين يادگيري غير پيوسته بوده و دقيقا در زمان مورد نياز انجام ميگيرد. در حاليكه مدلهاي تطبيقي استخراج ويژگي براي كاهش فضاي ابعاد و/يا افزايش دقت طبقه بندي كننده ها پيشنهاد شده اند،‏ وليكن اين روشها نسبت به تغييرات غير پارامتريك داده هاي ورودي حساس بوده و نياز به بروزرساني پيوسته پارامترهاي خود دارند. در روش ارايه شده يك ماتريس انتقال بهينه داده هاي داراي برچسب زماني را از فضاي اوليه به يك فضاي ويژگي جديد طوري انتقال مي دهد كه احتمال انتخاب برچسب كلاس صحيح براي داده هاي جديد با استفاده از طبقه بندي كننده بر اساس شباهت بيشينه گردد. همچنين با استفاده از داده هاي زماني،‏ توزيع داخل كلاسي و توزيع خارج كلاسي غير پارامتري ارايه مي گردد. نتايج آزمايشات روي مجموعه داده هاي واقعي و مصنوعي عملكرد روش پيشنهادي را از نظر دقت،‏ كاهش ابعاد و تعداد مراجعات براي بروزرساني پارامترها در محيط هاي پويا نشان مي دهد.

In this article, a just-in-time adaptive distance metric learning for application in nonstationary environments is addressed. This generative model enables adaptive similarity-based classifiers to classify the time-labeled inquiry patterns which are coming from a nonparametric stochastic process with superior performance. Here, the performance points to accurately classification in low-dimensional feature space with minimum model adaptation during the system life time. While there are adaptive forms of feature extraction methods, which transform training patterns to a low-dimensional space and/or improve classifier accuracy, they are vulnerable to nonparametric changes in data and must continuously update their parameters. In the proposed method, an optimal transformation matrix transforms time-labeled instances from the original space to a new feature space to maximize the probability of selecting the correct class label for incoming instances using similarity-based classifiers. To this end, for a given time-labeled instance, nonparametric intra-class and extra-class distributions are proposed. The proposed method is also furnished to a temporal detector to provide the most convenient time for the adaptation phase. Experimental results on real and synthesized datasets that include real and artificial changes demonstrate the performance of the proposed method in terms of accuracy and dimension reduction in dynamic environments.