Logo-semin

SEMINARIUM NAUKOWE
Grafika komputerowa,
przetwarzanie i rozpoznawanie obrazów

 Streszczenie

mgr inż. ZBIGNIEW SZYMAŃSKI 
Instytut Informatyki, Politechnika Warszawska

Transdukcyjna średnio kwadratowa maszyna wektorów nośnych na podstawie wirtualnej skrajnej oceny krzyżowej

Tematem referatu będzie transductive least squares - support vector machine (TLS-VM) - statystyczny system uczący się, który wykorzystuje informacje zawarte w podzbiorze danych etykietowanych, tj. ocenionych przez ekspertów oraz informacje o rozkładzie danych nieetykietowanych w przestrzeni wejściowej. Jest to uogólnienie średniokwadratowej maszyny wektorów nośnych uczącej się z nauczycielem.
Metoda skrajnej oceny krzyżowej (ang. leave-one-out) klasyfikatorów statystycznych jest skrajnym przypadkiem oceny krzyżowej, w której badanie wpływu poszczególnych zbiorów danych uczących sprowadza się do estymacji wpływu poszczególnych elementów zbioru na jakość modelu. Oszacowanie wpływu wyłączenia jednego przykładu ze zbioru danych uczących wynika z rozwiązania zadania lokalnej metody najmniejszych kwadratów, prowadzącego do estymacji przedziałów ufności dla predykcji wyjścia klasyfikatora. Skrajna ocean krzyżowa LOO jest efektywną metodą badania generalizacji klasyfikatora w postaci średniokwadratowej maszyny wektorów nośnych, ale wymaga wielkiego nakładu obliczeń. W każdym kroku metody LOO należy rozwiązać wielki układ równań liniowych, czyli obliczyć odwrotność macierzy o dużych wymiarach. Wirtualna skrajna ocena krzyżowa VLOO polega na poszukiwaniu analitycznej postaci oceny skutków usunięcia każdego przykładu ze zbioru uczącego. Wirtualna skrajna ocean krzyżowa wykorzystuje wyniki obliczeń wykonywanych w algorytmie uczenia klasyfikatora LS-SVM, co daje znacznie redukuje zadanie obliczeniowe.
W referacie zostanie przedstawiona metoda klasyfikacji transdukcyjnej, polegające na badaniu statystyki wpływu danych na wynik systemu uczącego się. Jako klasyfikator zastosowano średniokwadratową maszynę wektorów nośnych. Wykazano, że można otrzymać wirtualną ocenę wpływu każdego przykładu wykorzystując obliczenia wykonane podczas uczenia tej maszyny.
Nowe klasyfikatory, z uwzględnieniem wnioskowania transdukcyjnego (z hiperparametrami optymalizowanymi metodą ewolucji różnicowej) zostały zastosowane do wybranych problemów wspomagania diagnozy medycznej – rozpoznawanie utrwalonego częstoskurczu komorowego po zawale. Prawidłowe rozpoznanie osiągnięto w 88,4 % przypadków na podstawie tylko 5 % danych etykietowanych.


Stronę opracował C. Stępień
Ostatnia modyfikacja 30 marca 2009