طبقه بندی تک طبقه ای رابطه ای: رویکرد غیر پارامتری

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طبقه بندی تک طبقه ای رابطه ای: رویکرد غیر پارامتری

عنوان لاتین

Relational One-Class Classification: A Non-Parametric Approach

روش های طبقه بندی یک طبقه ای در ادبیات برای یادگیری طبقه بندی کننده ها از نمونه های صرفاً یک کلاسی ارائه شده است. اما این رویکردها به دلیل وابستگی خود به بردار ویژگی یا اندازه گیری فاصله به طور مستقیم برای حوزه های رابطه ای قابل کاربرد نیستند. ما یک رویکرد طبقه بندی یک طبقه ای رابطه ای و غیر پارامتری مبتنی بر درختان مرتبه اول را پیشنهاد می کنیم. ما یک اندازه گیری فاصله مبتنی بر درخت را یاد می گیریم که به طور تکراری ویژگی های ربطه ای جدیدی را برای ایجاد تمایز بین نمونه های رابطه ای معرفی می کند. ما اندازه گیری فاصله را به گونه ای به روزرسانی می کنیم تا عملکرد طبقه بندی یک طبقه ای مدل ما را به حداکثر برساند. همچنین، تعریف مدل خود را به کار موجود در مورد توابع ترکیب احتمالاتی و برآورد تراکم ارتباط می دهیم. ما به طور تجربی نشان می دهیم که رویکرد ما می تواند ویژگی های مربوطه را کشف کند و بهتر از سه رویکرد پایه عمل می کند.

One-class classification approaches have been proposed in the literature to learn classifiers from examples of only one class. But these approaches are not directly applicable to relational domains due to their reliance on a feature vector or a distance measure.We propose a nonparametric relational one-class classification approach based on first-order trees.We learn a tree-based distance measure that iteratively introduces new relational features to differentiate relational examples.We update the distance measure so as to maximize the one-class classification performance of our model. We also relate our model definition to existing work on probabilistic combination functions and density estimation. We experimentally show that our approach can discover relevant features and outperform three baseline approaches.