ترجمه فارسی مقاله طبقه بندی گاوسی پراکنده نیمه نظارت شده: مزایای قابل اثبات داده های بدون برچسب

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Semi-Supervised Sparse Gaussian Classification: Provable Benefits of Unlabeled Data
عنوان مقاله به فارسی طبقه بندی گاوسی پراکنده نیمه نظارت شده: مزایای قابل اثبات داده های بدون برچسب
نویسندگان Eyar Azar, Boaz Nadler
فرمت مقاله انگلیسی PDF
تعداد صفحات 32
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 5 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The premise of semi-supervised learning (SSL) is that combining labeled and unlabeled data yields significantly more accurate models. Despite empirical successes, the theoretical understanding of SSL is still far from complete. In this work, we study SSL for high dimensional sparse Gaussian classification. To construct an accurate classifier a key task is feature selection, detecting the few variables that separate the two classes. % For this SSL setting, we analyze information theoretic lower bounds for accurate feature selection as well as computational lower bounds, assuming the low-degree likelihood hardness conjecture. % Our key contribution is the identification of a regime in the problem parameters (dimension, sparsity, number of labeled and unlabeled samples) where SSL is guaranteed to be advantageous for classification. Specifically, there is a regime where it is possible to construct in polynomial time an accurate SSL classifier. However, % any computationally efficient supervised or unsupervised learning schemes, that separately use only the labeled or unlabeled data would fail. Our work highlights the provable benefits of combining labeled and unlabeled data for {classification and} feature selection in high dimensions. We present simulations that complement our theoretical analysis.

چکیده به فارسی (ترجمه ماشینی)

فرضیه یادگیری نیمه نظارت (SSL) این است که ترکیب داده های دارای برچسب و بدون برچسب مدلهای دقیق تر است.علیرغم موفقیت های تجربی ، درک نظری SSL هنوز از کامل نیست.در این کار ، ما SSL را برای طبقه بندی پراکنده گاوسی پراکنده با ابعاد بالا مطالعه می کنیم.برای ساخت یک طبقه بندی دقیق یک کار اصلی ، انتخاب ویژگی است ، چند متغیرهای که دو کلاس را از هم جدا می کنند ، تشخیص می دهد.٪ برای این تنظیم SSL ، ما با فرض اینکه حدس سختی احتمال پایین را داشته باشیم ، مرزهای پایین نظری اطلاعات را برای انتخاب دقیق ویژگی و همچنین مرزهای پایین محاسباتی تجزیه و تحلیل می کنیم.٪ سهم اصلی ما شناسایی یک رژیم در پارامترهای مشکل (ابعاد ، کمبود ، تعداد نمونه های دارای برچسب و بدون برچسب) است که در آن SSL تضمین می کند که برای طبقه بندی سودمند باشد.به طور خاص ، یک رژیم وجود دارد که می توان در زمان چند جمله ای یک طبقه بندی کننده دقیق SSL ساخت.با این حال ، ٪ هر برنامه یادگیری تحت نظارت یا بدون نظارت محاسباتی ، که به طور جداگانه فقط از داده های دارای برچسب یا بدون برچسب استفاده می کنند.کار ما مزایای اثبات شده در ترکیب داده های دارای برچسب و بدون برچسب را برای طبقه بندی {و} انتخاب ویژگی در ابعاد بالا برجسته می کند.ما شبیه سازی هایی را ارائه می دهیم که تجزیه و تحلیل نظری ما را تکمیل می کنند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.