1
دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه بوعلی سینا
2
گروه مهندسی کامپیوتر، دانشگاه بوعلی سینا
چکیده
روش‌های یادگیری نیمه نظارتی مبتنی بر گراف اغلب بر روی مسائل تک برچسبی متمرکز و پیاده‌سازی شده‌اند، درصورتی‌که بسیاری از مسائل دنیای واقعی به‌صورت چندبرچسبی هستند. در این مقاله یک روش نیمه نظارتی ترکیبی بنام LGC+ML-KNN برای برچسب‌زنی تصاویر به‌صورت چندبرچسبی ارائه داده‌ایم که از ترکیب روش یادگیری نیمه نظارتی مبتنی بر گراف (LGC) و یادگیری چندبرچسبی (ML-KNN) تشکیل‌شده است . روش ارائه‌شده به دلیل استفاده از یادگیری نیمه نظارتی و مشارکت دادن تمام نمونه‌ها و پیش‌بینی برچسب‌های اولیه و آموزش یادگیر ML-KNN با تعداد نمونه برچسب خورده بیشتر، دارای دقت بهتری نسبت به روش‌های موجود است. روش ارائه‌شده روی چندین مجموعه داده استاندارد آزمون شده است. نتایج آزمایش‌ها نشان می‌دهد که عملکرد روش ارائه‌شده بخصوص در مواردی که تعداد نمونه برچسب‌دار بسیار کم است، به نحو قابل‌ملاحظه‌ای بهتر است.
)