ترجمه فارسی مقاله یادگیری از ویژگی های مکمل

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 Learning from Complementary Features
عنوان مقاله به فارسی یادگیری از ویژگی های مکمل
نویسندگان Kosuke Sugiyama, Masato Uchida
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 17 September, 2024; v1 submitted 27 August, 2024; originally announced August 2024. , Comments: 15 pages, 5 figures , MSC Class: 68T01 ACM Class: I.5
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛V1 ارسال شده 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 15 صفحه ، 5 شکل ، کلاس MSC: 68T01 ACM کلاس: I.5
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

While precise data observation is essential for the learning processes of predictive models, it can be challenging owing to factors such as insufficient observation accuracy, high collection costs, and privacy constraints. In this paper, we examines cases where some qualitative features are unavailable as precise information indicating "what it is," but rather as complementary information indicating "what it is not." We refer to features defined by precise information as ordinary features (OFs) and those defined by complementary information as complementary features (CFs). We then formulate a new learning scenario termed Complementary Feature Learning (CFL), where predictive models are constructed using instances consisting of OFs and CFs. The simplest formalization of CFL applies conventional supervised learning directly using the observed values of CFs. However, this approach does not resolve the ambiguity associated with CFs, making learning challenging and complicating the interpretation of the predictive model's specific predictions. Therefore, we derive an objective function from an information-theoretic perspective to estimate the OF values corresponding to CFs and to predict output labels based on these estimations. Based on this objective function, we propose a theoretically guaranteed graph-based estimation method along with its practical approximation, for estimating OF values corresponding to CFs. The results of numerical experiments conducted with real-world data demonstrate that our proposed method effectively estimates OF values corresponding to CFs and predicts output labels.

چکیده به فارسی (ترجمه ماشینی)

در حالی که مشاهده دقیق داده ها برای فرآیندهای یادگیری مدل های پیش بینی ضروری است ، می تواند به دلیل عواملی مانند صحت مشاهده ناکافی ، هزینه های جمع آوری بالا و محدودیت های حریم خصوصی ، چالش برانگیز باشد.در این مقاله ، مواردی را بررسی می کنیم که برخی از ویژگی های کیفی به عنوان اطلاعات دقیق در دسترس نیستند که نشان می دهد "آنچه هست" است ، بلکه به عنوان اطلاعات مکمل نشان می دهد "آنچه نیست".ما به ویژگی های تعریف شده توسط اطلاعات دقیق به عنوان ویژگی های معمولی (OFS) و مواردی که توسط اطلاعات مکمل به عنوان ویژگی های مکمل (CFS) تعریف شده است ، اشاره می کنیم.ما سپس یک سناریوی یادگیری جدید با عنوان یادگیری ویژگی مکمل (CFL) را تدوین می کنیم ، که در آن مدل های پیش بینی با استفاده از موارد متشکل از OFS و CFS ساخته می شوند.ساده ترین رسمیت CFL یادگیری تحت نظارت معمولی را مستقیماً با استفاده از مقادیر مشاهده شده CFS اعمال می کند.با این حال ، این رویکرد ابهام مرتبط با CFS را برطرف نمی کند ، و یادگیری را به چالش می کشد و تفسیر پیش بینی های خاص مدل پیش بینی را پیچیده می کند.بنابراین ، ما یک عملکرد عینی را از یک دیدگاه اطلاعاتی اطلاعاتی برای برآورد مقادیر مربوط به CFS و پیش بینی برچسب های خروجی بر اساس این تخمین ها استخراج می کنیم.بر اساس این عملکرد عینی ، ما یک روش تخمین مبتنی بر نمودار از نظر نظری به همراه تقریب عملی آن ، برای برآورد مقادیر مربوط به CFS پیشنهاد می کنیم.نتایج آزمایشات عددی انجام شده با داده های دنیای واقعی نشان می دهد که روش پیشنهادی ما به طور موثری مقادیر مربوط به CFS را برآورد می کند و برچسب های خروجی را پیش بینی می کند.

📚 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.