Nonlinear supervised dimensionality reduction via smooth regular embeddings
Yumuşak düzenli gömme ile doğrusal olmayan denetimli boyut düşürme
- Tez No: 489567
- Danışmanlar: YRD. DOÇ. DR. ELİF VURAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 88
Özet
Veri topluluklarının esas geometrik yapısını çıkarmak, veri analizinde önemli bir problemdir. Birçok manifold öğrenme yaklaşımlarının denetimli açılımları son yıllarda öne sürülmüştür. Aynı zamanda, var olan metotlar öncelikle eğitim verisinin gömülmesine odaklanmıştır, ve başta elde bulunmayan test verisinin gömülmesiyle ilgilenmemişlerdir. Bu tezde, denetimli manifold öğrenme algoritmalarının genelleme performansı üzerine son zamanlarda elde edilmiş teorik sonuçlara dayanan bir çalışma yapılmıştır. Bu performans sınırlarından hareket ederek, test verilerine başarılı bir şekilde genelleme sağlayabilmek için gömmeyi bütün veri uzayına genişleten yavaş değişime sahip bir interpolasyon fonksiyonu ile, doğrusal olmayan bir gömme hesaplayan denetimli bir manifold öğrenme metodu öne sürülmüştür. Gömme ve interpolasyon fonksiyonu, hem farklı sınıflar arası ayrımı, hem de interpolasyon fonksiyonunun Lipschitz düzenliliğini sağlayacak şekilde öğrenilmiştir. Çeşitli görüntü kümelerinde yapılan deney sonuçları öne sürülen yöntemin diğer denetimli boyut düşürme algoritmaları ve geleneksel sınıflandırıcılara kıyasla oldukça tatminkar bir performans sağladığını göstermiştir.
Özet (Çeviri)
The recovery of the intrinsic geometric structures of data collections is an important problem in data analysis. Supervised extensions of several manifold learning approaches have been proposed in the recent years. Meanwhile, existing methods primarily focus on the embedding of the training data, and the generalization of the embedding to initially unseen test data is rather ignored. In this work, we build on recent theoretical results on the generalization performance of supervised manifold learning algorithms. Motivated by these performance bounds, we propose a supervised manifold learning method that computes a nonlinear embedding while constructing a smooth and regular interpolation function that extends the embedding to the whole data space in order to achieve satisfactory generalization. The embedding and the interpolator are jointly learnt such that the Lipschitz regularity of the interpolator is imposed while ensuring the separation between different classes. Experimental results on several image data sets show that the proposed method yields quite satisfactory performance in comparison with other supervised dimensionality reduction algorithms and traditional classifiers.
Benzer Tezler
- Multi-modal learning with generalizable nonlinear dimensionality reduction
Genellenebilir doğrusal olmayan boyut düşürme ile çoklu modalite öğrenme
SEMİH KAYA
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF VURAL
- Bose-Einstein condensation at lower dimesions
Düşük boyutlarda Bose-Einstein yoğuşması
SEVİLAY ÖZDEMİR
Yüksek Lisans
İngilizce
2004
Fizik ve Fizik MühendisliğiOrta Doğu Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. MEHMET TOMAK
- Electronic structure of low dimensional semiconductor system
Düşük boyutlu yarıiletken sistemlerin elektronik yapısı
OĞUZ GÜLSEREN
Doktora
İngilizce
1992
Fizik ve Fizik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiPROF. DR. SALİM ÇIRACI
- A weakly supervised clustering method for cancer subgroup identification
Kanser alt gruplarının keşfi için zayıf gözetimli bir kümeleme metodu
DUYGU ÖZÇELİK
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. ÖZNUR TAŞTAN OKAN
- Çok boyutlu sağkalım verilerinde denetimli temel bileşenler analizine alternatif bir boyut indirgeme yaklaşımı
An alternative dimension reduction approach to supervised principal components analysis in high dimensional survival data
ELVAN AKTÜRK HAYAT
Doktora
Türkçe
2012
BiyoistatistikEge Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MEVLÜT TÜRE
PROF. DR. ŞANSLI ŞENOL