Comparative analysis of modified semi-supervised learning algorithms on a small amount of labeled data

Скорочена інформація про документ
dc.contributor.authorLyubchyk, L. M.
dc.contributor.authorYamkovyi, K. S.
dc.date.accessioned2023-05-02T07:39:41Z
dc.date.available2023-05-02T07:39:41Z
dc.date.issued2022
dc.description.abstractThe paper is devoted to improving semi-supervised clustering methods and comparing their accuracy and robustness. The proposed approach is based on expanding a clustering algorithm for using an available set of labels by replacing the distance function. Using the distance function considers not only spatial data but also available labels. Moreover, the proposed distance function could be adopted for working with ordinal variables as labels. An extended approach is also considered, based on a combination of unsupervised k-medoids methods, modified for using only labeled data during the medoids calculation step, supervised method of k nearest neighbor, and unsupervised k-means. The learning algorithm uses information about the nearest points and classes’ centers of mass. The results demonstrate that even a small amount of labeled data allows us to use semi-supervised learning, and proposed modifications improve accuracy and algorithm performance, which was found during experiments.uk
dc.description.abstractotherПрисвячено вдосконаленню методів кластеризації з частковим під- кріпленням, а також порівнянню їх точності та стійкості. Запропонований під- хід заснований на розширенні алгоритмів кластеризації шляхом використання доступного набору міток класів за допомогою заміни функції відстані, при цьому за використання запропонованої функції відстані враховуються не тіль- ки просторові дані, але й мітки. Більше того, запропонована функція відстані може бути адаптована для роботи з порядковими змінними як мітки. Також запропоновано підхід, заснований на методі навчання без вчителя k-медоїдів, модифікований для використання лише розмічених даних на етапі обчислення медоїдів кластерів, комбінацію методу навчання з учителем k найближчих су- сідів та без вчителя – k-середніх. При цьому алгоритм навчання використовує інформацію як про найближчі точки, так і про центри мас класів. Отримані ре- зультати демонструють, що навіть невеликий обсяг помічених даних дає змогу використовувати навчання з частковим підкріпленням, а запропоновані моди- фікації забезпечують підвищення точності і стійкості алгоритму, що продемо- нстровано під час експериментів.uk
dc.format.pagerangeС. 34-43uk
dc.identifier.citationLyubchyk, L. M. Comparative analysis of modified semi-supervised learning algorithms on a small amount of labeled data / L. M. Lyubchyk, K. S. Yamkovyi // Системні дослідження та інформаційні технології : міжнародний науково-технічний журнал. – 2022. – № 4. – С. 34-43. – Бібліогр.: 11 назв.uk
dc.identifier.doihttps://doi.org/10.20535/SRIT.2308-8893.2022.4.03
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/55163
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofСистемні дослідження та інформаційні технології : міжнародний науково-технічний журнал, № 4uk
dc.subjectcenter of massuk
dc.subjectclusteringuk
dc.subjectdistance functionuk
dc.subjectmedoidsuk
dc.subjectnearest neighboruk
dc.subjectsemi-supervised learninguk
dc.subjectцентр масuk
dc.subjectкластеризаціяuk
dc.subjectфункція відстаніuk
dc.subjectнайближчий сусідuk
dc.subjectнавчання з частковим залученням вчителяuk
dc.subjectмедоідuk
dc.subject.udc519.925.51uk
dc.titleComparative analysis of modified semi-supervised learning algorithms on a small amount of labeled datauk
dc.title.alternativeПорівняльний аналіз модифікованих алгоритмів навчання з частковим залученням учителя на малій кількості розмічених данихuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
2022_4_34-43.pdf
Розмір:
497.93 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Системні дослідження та інформаційні технології: міжнародний науково-технічний журнал, № 4