بهبود يادگيري ترارسان تدريجي SVM مبتني بر تنظيم با كاهش مقادير ويژه

يادگيري نيمه‌نظارت‌شده از داده‌هاي برچسب‌دار و بدون‌‌برچسب به‌صورت هم‌زمان براي ساخت طبقه‌بند استفاده مي‌كند تا دقت يادگيري را بهبود بخشد.يكي از مشكلاتي كه در آموزش طبقه‌بندها رخ مي‌دهد بيش‌از‌حد منطبق شدن مي‌باشد. روش رگولاريزيشن كاهش مقادير ويژه در شبكه‌هاي عصبي در يادگيري نيمه‌نظارتي (TNN) از جمله روش‌هايي است كه از مسئله بيش‌از‌حد منطبق شدن داده‌ها اجتناب مي‌نمايد، هم‌چنين با استفاده از كاهش مقادير ويژه افزايش حاشيه طبقه‌بندي ممكن مي‌شود كه باعث بهبود قابليت تعميم شبكه‌هاي عصبي مي‌شود. ماشين بردار پشتيبان ترارسان بهبوديافته (PTSVM) بهبوديافته، نسخه نيمه‌نظارت شده از SVM است كه از يك روند تكراري براي ساخت طبقه‌بند با انتخاب نمونه‌هاي ترارسان مناسب‌تر استفاده مي‌نمايد.اين پژوهش با بهره‌گيري از تابع هدف TNN و يك روند تكراري مشابه با PTSVM بهبوديافته يك روش ترارسان براي يادگيري نيمه‌نظارتي پيشنهاد مي‌نمايد. در روش پيشنهادي با درنظر گرفتن تابع هدف TNN، در هر تكرار از فرآيند يادگيري تعدادي از نمونه‌هاي بدون برچسب را به عنوان نمونه‌هاي ترارسان انتخاب نموده و براساس آن‌ها وزن‌ها و باياس شبكه عصبي را تنظيم كرديم.روش پيشنهادي در اين مقاله با روش‌ TNN مقايسه شد. نتايج به‌دست آمده از آزمايش نشان داد كه روش ارائه شده دقت طبقه‌بندي بهتر در مقايسه با ساير روش‌ها را در مجموعه داده‌هاي در نظر گرفته شده دارد.