عنوان	یادگیری بازنمایی اجماع و مکمل با کالیبراسیون تقابلی برای داده‌های چندنمایه
نوع پژوهش	پایان نامه
کلیدواژه‌ها	تلفیق داده، یادگیری تقابلی، ساختار رمزگذار-رمزگشا، یادگیری خود بازنمایی، تجزیه ماتریس نامنفی.
چکیده	یادگیری بازنمایی چندنمایه با هدفاستخراج ویژگی های آگاهی بخشاز داده هایی که در چندین نما ارائه شده اند انجام می شود. درحالی که بسیاری از روش های موجود بر یادگیری بازنمایی های اجماع (اشتراکی) متمرکز هستند، اغلب آن ها اطلاعات مکمل (مختصنما) را نادیده می گیرند؛ این اطلاعات می توانند برای شناسایی الگوهای متنوع و متمایز بسیار مهم باشند. هرچند اخیراً روش هایی برای حل این محدودیتو بهره گیری از هر دو نوع اطلاعاتپیشنهاد شده اند، اینروش ها همچنان در استخراج مؤثر و ادغام متوازن ویژگی هایجامع و متماز با چالشمواجه هستند. علاوه بر این، اگرچه برخی از این روش ها ساختارهای رمزگذار-رمزگشا به کار می برند، اما معمولاً ظرفیت محدودی دارند و فاقد منظم سازیقدرتمند هستند که باعثتولید بازنمایی هاییبا عملکرد غیربهینه می شود. به منظور بهره برداریکامل پیشنهاد می کنیم که C4MV از غنای ویژگی های موجود در بازنمایی های یاد گرفته شده، ما چارچوب جدیدی به نام است. این چارچوبراهبردهایتلفیق سطح « بازنماییاجماع و مکمل با کالیبراسیون تقابلیبرایداده هایچندنمایه » بازنمایی هایاشتراکیو مختص C4MV مدل و تلفیقدیرهنگام را از طریقتجزیه هایخودبازنماییادغام می کند. مدل نما را به صورتهمزمانازطریقتجزیه ماتریسنامنفیمشترکو غیرمشترکفرا می گیرد و با استفاده از منظم سازیتنوع مانع از ایجاد افزونگی می شود. به منظور افزایشهرچه بیشتر قدرت تفکیکنمونه ها، ما یکمنظم سازی کالیبراسیون تقابلی معرفی کرده ایم که با افزایشجفت های مثبت در میان نماها باعث هم ترازی نمونه های مشابه شده و به کمک منظم سازی گراف تقابلی، نمونه های نامشابه را از یکدیگر متمایز می سازد. این راهبرد وابستگی به جفت های منفی را کاهش داده و تمایز بازنمایی ها را بهبود می بخشد. بهینه سازی مدل پیشنهادی با روشی یکپارچه و کارآمد به صورت تکراری انجام می شود. نتایج آزمایش های جامع بر روی مجموعه داده های واقعی نشان می دهد که مدل پیشنهادی عملکرد بهتری نسبتبه پیشرفته ترین روش ها در زمینه یادگیریبازنمایی بدون نظارتارائه می دهد.
پژوهشگران	فردین اخلاقیان طاب (استاد راهنما)، نگین جباری (دانشجو)، رضا محمودی (استاد مشاور)