Mehrkern-Lernen zur Dimensionsreduktion

Bei der Lösung komplexer visueller Lernaufgaben hat sich die Verwendung mehrerer Deskriptoren, um die Daten präziser zu charakterisieren, als ein praktikabler Weg zur Leistungsverbesserung erwiesen. Die resultierenden Datenrepräsentationen sind typischerweise hochdimensional und nehmen verschiedene Formen an. Daher erleichtert das Finden eines Weges, sie in einen einheitlichen Raum niedrigerer Dimension zu transformieren, generell die zugrunde liegenden Aufgaben wie Objekterkennung oder Clustering. Zu diesem Zweck generalisiert der vorgeschlagene Ansatz (bezeichnet als MKL-DR) den Rahmen des Mehrkern-Lernens zur Dimensionsreduktion und zeichnet sich durch die folgenden drei Hauptbeiträge aus: Erstens bietet unsere Methode die Bequemlichkeit, verschiedene Bilddeskriptoren zu verwenden, um nützliche Eigenschaften verschiedener Aspekte der zugrunde liegenden Daten zu beschreiben. Zweitens erweitert sie eine breite Palette bestehender Techniken zur Dimensionsreduktion, um das Mehrkern-Lernen zu berücksichtigen, und verbessert consequently deren Wirksamkeit. Drittens führt die Fokussierung auf die Techniken zur Dimensionsreduktion eine neue Klasse von Anwendungen mit dem Rahmen des Mehrkern-Lernens ein, um nicht nur die Probleme des überwachten Lernens, sondern auch die des unüberwachten und semi-überwachten Lernens anzugehen.