فردین اخلاقیان طاب

تجزیه ماتریس نامنفی نیمه‌نظارتی از نقاط قوت تجزیه ماتریس در یادگیری بازنمایی مبتنی بر اجزا بهره می‌برد و همچنین در مواجهه با کمبود داده‌های برچسب‌دار و مقدار زیادی از داده‌های بدون‌برچسب، می‌تواند به عملکرد بالایی در یادگیری دست یابد. چالش اصلی آن در نحوه یادگیری مؤثر بازنمایی‌ها با استفاده از داده‌های بدون برچسب نهفته است که خاصیت تفکیک‌پذیری بیشتری دارند. ثابت شده است که یادگیری خودنظارتی در یادگیری بازنمایی‌ها با استفاده از داده‌های بدون‌برچسب در حوزه‌های مختلف بسیار مؤثر است. اخیراً، تحقیقات زیادی بر روی استفاده از ظرفیت یادگیری خودنظارتی جهت تقویت یادگیری نیمه‌نظارتی متمرکز شده‌اند. در این پایان‌نامه، ما یک روش تجزیه ماتریس نامنفی نیمه‌نظارتی خودنظارتی مؤثر را در چهارچوب خوشه‌بندی نیمه‌نظارتی ارائه می‌دهیم. این روش به طور مستقیم نتیجه یکپارچه حاصل از تجزیه ماتریس نامنفی تجمعی را با استفاده از منظم‌سازهای شباهت و عدم‌شباهت استخراج می‌کند. در یک فرایند مبتنی بر تکرار، این اطلاعات خود نظارتی به مدل پیشنهادی بازخورد داده خواهد شد تا یادگیری نیمه‌نظارتی را تقویت کند و خوشه‌های مجزاتری را شکل دهد. برای حل مسئله موردنظر، یک الگوریتم مبتنی بر تکرار پیشنهاد می‌شود که به‌عنوان یک مسئله بهینه‌سازی با یک تابع هدف فرموله شده تعریف می‌شود. تحلیل نظری بر روی همگرایی الگوریتم بهینه‌سازی پیشنهادی بررسی شده است. سپس برای نشان‌دادن اثربخشی مدل پیشنهادی در خوشه‌بندی نیمه نظارتی، آزمایش‌های گسترده‌ای را بر روی مجموعه‌داده‌های دنیای واقعی انجام می‌دهیم