شبکه یکپارچه برای ارائه و رده بندی

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

شبکه یکپارچه برای ارائه و رده بندی

عنوان لاتین

Unified framework for representing and ranking

در کارهای بازیابی دیتابیس و دسته بندی نزدیک ترین مجاور، دو مسئله اساسی عبارتند از ارائه جستجو یا جستار و موضوعات دیتابیس، و یادگیری نمرات رده بندی موضوعات دیتابیس برای جستجو. مطالعات زیادی برای مشکلات یادگیری ارائه یا نمایش و نمره رده بندی انجام شده اند، اما همیشه یادگیری مستقلی از یکدیگر داشته اند. در این مقاله، ما استدلال می کنیم که یک سری روابط درونی بین ارائه و رده بندی موضوعات دیتابیس وجود دارد، و هر تلاشی برای بررسی روابط آنها باید بر حسب یادگیری آنها با یک روش واحد و یکپارچه صورت بگیرد. برای رسیدن به این هدف، ما چارچوب یکپارچه را برای ارائه و رده بندی (UR2) موضوعات در بازیابی دیتابیس و دسته بندی نزدیکترین مجاور پیشنهاد می کنیم. یادگیری از پارامتر ارائه و نمرات رده بندی، درون یک تابع موضوعی یکپارچه واحد مدلسازی می شود. تابع موضوعی به صورت جایگزین با پارامتر ارائه و نمرات رده بندی بهینه سازی می شود. بر اساس نتایج بهینه سازی، الگوریتم های تکراری شکل می گیرند که برای یادگیری پارامتر ارائه و نمرات رده بندی به صورت یکپارچه به کار می روند. همچنین، با دو فرمول مختلف ارائه ( انتخاب مولفه و یادگیری فضای فرعی)، ما دو نسخه از UR2 ارائه می کنیم. الگوریتم های پیشنهادی روی دو کار چالش برانگیز تست می شوند: بازیابی تومور مغزی مبتنی بر تصویر ام آر آی و شناسایی پروتئین بر اساس دسته بندی نزدیکترین مجاور. آزمایشات نشان دهنده مزیت چارچوب یکپارچه پیشنهادی روی روشهای پیشرفته ای اند که ارائه و رده بندی در آنها از یکدیگر جدا هستند.

In the database retrieval and nearest neighbor classification tasks, the two basic problems are to represent the query and database objects, and to learn the ranking scores of the database objects to the query. Many studies have been conducted for the representation learning and the ranking score learning problems, however, they are always learned independently from each other. In this paper, we argue that there are some inner relationships between the representation and ranking of database objects, and try to investigate their relationships by learning them in a unified way. To this end, we proposed the Unified framework for Representation and Ranking (UR 2 ) of objects for the database retrieval and nearest neighbor classification tasks. The learning of representation parameter and the ranking scores are modeled within one single unified objective function. The objective function is optimized alternately with regard to representation parameter and the ranking scores. Based on the optimization results, iterative algorithms are developed to learn the representation parameter and the ranking scores on a unified way. Moreover, with two different formulas of representation (feature selection and subspace learning), we give two versions of UR . The proposed algorithms are tested on two challenging tasks – MRI image based brain tumor retrieval and nearest neighbor classification based protein identification. The experiments show the advantage of the proposed unified framework over the state-of-the-art independent representation and ranking methods