1 |
1
레이블된 데이터와 레이블되지 않은 데이터를 모두 사용하여 모델을 학습하는 준지도 학습에서의 그래프 구축 방법에 있어서, (a) 데이터셋(X), 최근접 이웃수 (k) 를 입력받는 단계;,(b) 데이터셋(X)를 사용하여 k-NN 그래프 생성후, L을 계산하는 단계;(c) Skinny SVD 를 사용하여 X 를 분해하는 단계;(d) SVD 를 사용하여 βL 을 구하는 단계;(e) 일정 조건을 만족하는 동안, J,W, Q를 갱신하는 단계;(f) Y1, Y2 를 계산하여 최적해를 구하는 단계;를 구비하여, 빠른 Graph-Regularized Low-Rank Representation (FaGLRR) 알고리즘을 기반으로 하여 그래프 구축하는 것을 특징으로 하는 준지도 학습에서의 그래프 구축 방법
|
2 |
2
레이블된 데이터와 레이블되지 않은 데이터를 모두 사용하여 모델을 학습하는 준지도 학습에서의 그래프 구축 방법에 있어서, (a) 데이터셋(X), 최근접 이웃수 (N) 를 입력받는 단계;(b) W, Q, J, Y1, Y2 를 0으로 설정하는 단계;(c) 데이터셋(X)를 SMA를 수행하여 A를 계산하는 단계;(d) Skinny SVD 를 사용하여 X 를 분해하는 단계;(e) W를 갱신하는 경우에만 SVD 를 수행하는 단계;(f) 일정 조건을 만족하는 동안, J,W, Q를 갱신하는 단계;(f) Y1, Y2 를 계산하여 최적해를 구하는 단계;를 구비하여, 빠른 Manifold Low-Rank Representation (FaMLRR) 알고리즘을 기반으로 하여 그래프 구축하는 것을 특징으로 하는 준지도 학습에서의 그래프 구축 방법
|
3 |
3
청구항 제1항 및 제2항 중 어느 한 항에 있어서, Z*이 계산되면, Z*의 각 열 는 xi를 재구축하는 기여도이므로, 모든 열을 로 정규화한 후, 문턱값(Threshold) θ보다 작은 값을 0 으로 만들고, 그래프 행렬 w 를 수학식 25과 같이 계산하는 것을 특징으로 하는 준지도 학습에서의 그래프 구축 방법 [수학식 25]
|