1
دانشجوی کارشناسی ارشد دانشکده مهندسی فناوری اطلاعات و کامپیوترـ دانشگاه صنعتی ارومیه- ارومیه- ایران
2
استادیار دانشکده مهندسی فناوری اطلاعات و کامپیوترـ دانشگاه صنعتی ارومیه- ارومیه- ایران
چکیده
روش‌های تطبیق دامنه، با کاهش اختلاف بین‌دامنه‌ای، مدل‌هایی تطبیق‌پذیر بین نمونه‌های آموزشی و آزمون ایجاد می‌کنند. هدف این روش‌ها، یافتن یک طبقه‌بند بر اساس داده‌های آموزشی است به‌طوری‌که دارای بیشترین انطباق با نمونه‌های آزمون باشد. در این مقاله، یک روش دومرحله‌ای با هدف حداقل‌سازی خطای طبقه‌بندی و حداکثرسازی سازگاری بین‌دامنه‌ای پیشنهاد شده است. روش پیشنهادی، ابتدا با ایجاد یک نمایش مشترک به کاهش اختلاف توزیع بین نمونه‌های آموزشی و آزمون پرداخته و سپس، یک مدل یادگیری با حداقل خطای پیشبینی در نمایش جدید ایجاد می‌کند. روش پیشنهادی، بر روی پایگاه داده‌های بصری شناخته‌شده از طریق طراحی آزمایش‌های مختلف مورد ارزیابی قرارگرفته است. نتایج نشان می‌دهند روش پیشنهادی عملکرد بهتری در پیشبینی برچسب نمونه‌های جدید، نسبت به روش‌های جدید حوزه تطبیق دامنه دارد.
قولنجی, الهه, & طهمورث نژاد, جعفر. (1397). کاهش خطای پیشبینی مدل‌های طبقه‌بند از طریق تطبیق توزیع عمومی و هندسی دامنه‌های بصری. علوم رایانشی, 3(3), 65-78.
MLA
الهه قولنجی; جعفر طهمورث نژاد. "کاهش خطای پیشبینی مدل‌های طبقه‌بند از طریق تطبیق توزیع عمومی و هندسی دامنه‌های بصری". علوم رایانشی, 3, 3, 1397, 65-78.
HARVARD
قولنجی, الهه, طهمورث نژاد, جعفر. (1397). 'کاهش خطای پیشبینی مدل‌های طبقه‌بند از طریق تطبیق توزیع عمومی و هندسی دامنه‌های بصری', علوم رایانشی, 3(3), pp. 65-78.
VANCOUVER
قولنجی, الهه, طهمورث نژاد, جعفر. کاهش خطای پیشبینی مدل‌های طبقه‌بند از طریق تطبیق توزیع عمومی و هندسی دامنه‌های بصری. علوم رایانشی, 1397; 3(3): 65-78.
)