Key points are not available for this paper at this time.
يعد مقياس المسافة الجيد أمرًا حاسمًا للتعلم غير الخاضع للإشراف من البيانات عالية الأبعاد. لتعلم مقياس بدون أي قيود أو معلومات عن تسميات الفئات، تعتمد معظم خوارزميات تعلم المقياس غير الخاضع للإشراف على إسقاط البيانات الملاحظة على مجموعة منخفضة الأبعاد، حيث يتم الحفاظ على العلاقات الهندسية مثل المسافات الزوجية المحلية أو العالمية. ومع ذلك، قد لا يؤدي الإسقاط بالضرورة إلى تحسين قابلية انفصال البيانات، وهو ما يعد النتيجة المرغوبة من التجميع. في هذه الورقة، نقترح خوارزمية جديدة لتعلم المقياس التكيفي غير الخاضع للإشراف تُدعى AML، والتي تقوم بالتجميع وتعلم مقياس المسافة في آن واحد. تقوم AML بإسقاط البيانات على مجموعة منخفضة الأبعاد، حيث يتم تعظيم قابلية انفصال البيانات. نوضح أن التجميع المشترك وتعلم مقياس المسافة يمكن صياغته كمشكلة تعظيم أثر، والتي يمكن حلها من خلال إجراء تكراري في إطار EM. أظهرت النتائج التجريبية على مجموعة من مجموعات البيانات المرجعية فعالية الخوارزمية المقترحة.
قد درس ي وآخرون (الجمعة) هذا السؤال.