Geri Dön

Nonlinear supervised dimensionality reduction via smooth regular embeddings

Yumuşak düzenli gömme ile doğrusal olmayan denetimli boyut düşürme

  1. Tez No: 489567
  2. Yazar: CEM ÖRNEK
  3. Danışmanlar: YRD. DOÇ. DR. ELİF VURAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Multi-modal learning with generalizable nonlinear dimensionality reduction

    Genellenebilir doğrusal olmayan boyut düşürme ile çoklu modalite öğrenme

    SEMİH KAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF VURAL

  2. Bose-Einstein condensation at lower dimesions

    Düşük boyutlarda Bose-Einstein yoğuşması

    SEVİLAY ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2004

    Fizik ve Fizik MühendisliğiOrta Doğu Teknik Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. MEHMET TOMAK

  3. Electronic structure of low dimensional semiconductor system

    Düşük boyutlu yarıiletken sistemlerin elektronik yapısı

    OĞUZ GÜLSEREN

  4. A weakly supervised clustering method for cancer subgroup identification

    Kanser alt gruplarının keşfi için zayıf gözetimli bir kümeleme metodu

    DUYGU ÖZÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. ÖZNUR TAŞTAN OKAN

  5. 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

    Türkçe

    2012

    BiyoistatistikEge Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MEVLÜT TÜRE

    PROF. DR. ŞANSLI ŞENOL