Fusion Methods for Unsupervised Learning Ensembles

کاربرد «کمیته متخصصان» یا یادگیری گروهی برای شبکه‌های عصبی مصنوعی که از تکنیک‌های یادگیری بدون نظارت استفاده می‌کنند، به طور گسترده‌ای برای افزایش اثربخشی چنین شبکه‌هایی در نظر گرفته می‌شود. این کتاب پتانسیل متاالگوریتم مجموعه را با توصیف و آزمایش تکنیکی مبتنی بر ترکیب مجموعه‌ها و PCA آماری بررسی می‌کند که قادر به تعیین وجود نقاط پرت در مجموعه داده‌های با ابعاد بالا و به حداقل رساندن اثرات پرت در نتایج نهایی است. . سهم اصلی آن مربوط به الگوریتمی برای ادغام مجموعه نقشه‌های حفظ توپولوژی است که به عنوان برهم‌نهی رأی وزنی (WeVoS) نامیده می‌شود، که برای بهبود کاوش داده‌ها با تجسم دوبعدی در مجموعه داده‌های چند بعدی ابداع شده است. این الگوریتم عمومی در ترکیب با چندین مدل دیگر برگرفته از خانواده نقشه‌های حفظ توپولوژی مانند SOM، ViSOM، SIM و Max-SIM اعمال می‌شود. طیف وسیعی از معیارهای کیفیت برای نقشه‌های حفظ توپولوژی که در ادبیات ارائه شده‌اند برای اعتبارسنجی و مقایسه WeVoS با سایر الگوریتم‌ها استفاده می‌شوند. نتایج تجربی نشان می‌دهد که در اکثر موارد، الگوریتم WeVoS از روش‌های ترکیب نقشه قبلی و نسخه‌های ساده‌تر الگوریتمی که با آن مقایسه می‌شود، بهتر عمل می‌کند. همه الگوریتم‌ها در مجموعه‌های داده‌های مصنوعی مختلف و در چندین مورد از رایج‌ترین مجموعه‌های داده‌های یادگیری ماشینی آزمایش می‌شوند تا ویژگی‌های نظری آن‌ها را تأیید کنند. علاوه بر این، یک مطالعه موردی واقعی که از صنایع غذایی گرفته شده است، مزایای عملی کاربرد آنها را برای مشکلات پیچیده‌تر نشان می‌دهد.

The application of a “committee of experts” or ensemble learning to artificial neural networks that apply unsupervised learning techniques is widely considered to enhance the effectiveness of such networks greatly. This book examines the potential of the ensemble meta-algorithm by describing and testing a technique based on the combination of ensembles and statistical PCA that is able to determine the presence of outliers in high-dimensional data sets and to minimize outlier effects in the final results. Its central contribution concerns an algorithm for the ensemble fusion of topology-preserving maps, referred to as Weighted Voting Superposition (WeVoS), which has been devised to improve data exploration by 2-D visualization over multi-dimensional data sets. This generic algorithm is applied in combination with several other models taken from the family of topology preserving maps, such as the SOM, ViSOM, SIM and Max-SIM. A range of quality measures for topologypreserving maps that are proposed in the literature are used to validate and compare WeVoS with other algorithms. The experimental results demonstrate that, in the majority of cases, the WeVoS algorithm outperforms earlier map-fusion methods and the simpler versions of the algorithm with which it is compared. All the algorithms are tested in different artificial data sets and in several of the most common machine-learning data sets in order to corroborate their theoretical properties. Moreover, a real-life case-study taken from the food industry demonstrates the practical benefits of their application to more complex problems.