Semi-controlled Learning in Information Processing Problems

Скорочена інформація про документ
dc.contributor.authorSineglazov, V. M.
dc.contributor.authorChumachenko, O. I.
dc.contributor.authorHeilyk, E. V.
dc.date.accessioned2023-02-15T15:37:21Z
dc.date.available2023-02-15T15:37:21Z
dc.date.issued2022
dc.description.abstractenThe article substantiates the need for further research of known methods and the development of new methods of machine learning – semi-supervized learning. It is shown that knowledge of the probability distribution density of the initial data obtained using unlabeled data should carry information useful for deriving the conditional probability distribution density of labels and input data. If this is not the case, semi-supervised learning will not provide any improvement over supervised learning. It may even happen that the use of unlabeled data reduces the accuracy of the prediction. For semi-supervised learning to work, certain assumptions must hold, namely: the semi-supervised smoothness assumption, the clustering assumption (low-density partitioning), and the manifold assumption. A new hybrid semi-supervised learning algorithm using the label propagation method has been developed. An example of using the proposed algorithm is given.uk
dc.description.abstractukУ статті обґрунтовано необхідність подальшого дослідження відомих методів та розробки нових методів машинного навчання – напівкерованого навчання. Показано, що знання щільності розподілу ймовірностей вихідних даних, отриманих з використанням немаркованих даних, повинно нести інформацію, корисну для отримання умовної щільності розподілу ймовірностей міток і вхідних даних. Якщо це не так, напівкероване навчання не забезпечить жодних покращень у порівнянні з контрольованим навчанням. Може навіть статися так, що використання немаркованих даних зменшить точність передбачення. Щоб напівкероване навчання працювало, мають виконуватися певні припущення, а саме: напівкероване припущення гладкості, припущення кластеризації (поділ із низькою щільністю) і припущення різноманіття. Розроблено новий гібридний алгоритм напівкерованого навчання з використанням методу поширення мітки. Наведено приклад використання запропонованого алгоритму.uk
dc.format.pagerangeP. 37-43uk
dc.identifier.citationSineglazov, V. M. Semi-supervized learning in information processing problems / V. M. Sineglazov, O. I. Chumachenko, E. V. Heilyk // Electronics and Control Systems. – 2021. – № 4(70). – С. 37-43.uk
dc.identifier.doihttps://doi.org/10.18372/1990-5548.70.16754
dc.identifier.issn1990-5548
dc.identifier.orcid0000-0002-3297-9060uk
dc.identifier.orcid0000-0003-3006-7460uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/52655
dc.language.isoenuk
dc.publisherНаціональний авіаційний університетuk
dc.publisher.placeКиївuk
dc.sourceElectronics and Control Systems, № 4(70)uk
dc.subjectlabel propagationuk
dc.subjectsemi-supervised learninguk
dc.subjectdata processinguk
dc.subjectartificial intelligenceuk
dc.subjectsmoothnessuk
dc.subjectmanifolduk
dc.subjectclustering assumptionsuk
dc.subject.udc004.93(045)uk
dc.titleSemi-controlled Learning in Information Processing Problemsuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
2021(4)_37-43.pdf
Розмір:
985.23 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Статті (ШІ)