ii) Learning Code:- Diagonal Learni

ii) Learning Code:
- Diagonal Learning
The two methods of learning as described
earlier and in [1] have been coded in
MATLAB. We are deeply grateful for the
constant help from Pieter Abbeel in
advising us on fixing the nuances of the
optimization functions.
The search space was almost a continuous
slope for the objective function mentioned
earlier with a very narrow optimum band.
The solution was easily being missed by the
Newton Raphson method. A contant factor
C (between 0 and 1.0) was multiplied to
the summation over similar points in order
to make the search space more amenable
to optimization. The result was only a
scaled version of the original optimum
found. An example created from near ideal
synthetic data (easiest to optimize) with
two features and hence two parameters (1
for each) to be learnt had a search space as
Fig. 1a, which was transformed to Fig. 1b
as a result of the scaling done.
- Full Matrix Learning
The code – as pseudo coded in Xing et al [1]
had a considerable time overhead to its
credit as a result of which its applicability
in an office agent seemed doubtful. We
now have (with help from Pieter Abbeel) an
optimization code using the SeDuMi
package, which runs extremely efficiently
to learn the full matrix in seconds. The
results are completely in tune with the
iterative projection code written earlier.
iii) Clustering Code:
The clustering code is written in Java. We
have implemented two principle clustering
routines. The first one is for running
kMeans on the tf*idf vectors for the emails
in order to simulate and evaluate the
fundamental method behind a majority of
current text clustering techniques. The
second routine evaluates distances based
on the learnt distance metric as explained
in [1] and in section III. Our feature space
does not model each email as a vector of
real numbers. Rather, it models the
distance between two emails as χ = ℜn
.
Consequently, kMeans does not run
normally since there is no such point as a
centroid for each cluster. Hence, we locate
“representative” points for each cluster C
according to the objective function:
P = argmin P in C (Σ || X – P || 2
A ) where,
X is a point in cluster C.

Kết quả (Việt) 1:

II) mã số học tập:-Học tập diagonalHai phương pháp học tập như mô tảtrước đó, và trong [1] đã được mã hóa trongMATLAB. Chúng tôi rất biết ơn sâu sắc đối với cácgiúp đỡ liên tục từ Pieter Abbeel trongtư vấn cho chúng tôi sửa chữa các sắc thái của cácCác chức năng tối ưu hóa.Không gian tìm kiếm là một liên tụcđộ dốc cho hàm mục tiêu được đề cậptrước đó với một ban nhạc tối ưu rất hẹp.Giải pháp là một cách dễ dàng bị bỏ qua bởi cácPhương pháp Newton Raphson. Một yếu tố liênC (từ 0 đến 1.0) được nhân rộng đểTổng kết qua điểm tương tự trong thứ tựđể làm cho không gian tìm kiếm hơn amenableđể tối ưu hóa. Kết quả là chỉ mộtCác phiên bản thu nhỏ của bản gốc tối ưutìm thấy. Một ví dụ tạo từ gần lý tưởngTổng hợp dữ liệu (dễ nhất để tối ưu hóa) vớihai tính năng và do đó hai tham số (1cho mỗi) để được học có một không gian tìm kiếm nhưHình 1a, đã được chuyển đổi để hình 1blà kết quả của việc mở rộng quy mô thực hiện.-Học tập đầy đủ ma trậnMã-như là giả mã trong Xing et al [1]có một chi phí đáng kể thời gian đến của nótín dụng kết quả là ứng dụng của nótrong một văn phòng đại diện có vẻ nghi ngờ. Chúng tôibây giờ có (với sự giúp đỡ từ Pieter Abbeel) mộttối ưu hóa mã bằng cách sử dụng SeDuMigói, chạy cực kỳ hiệu quảđể tìm hiểu các ma trận đầy đủ trong vài giây. Cáckết quả là hoàn toàn phù hợp với cáclặp đi lặp lại dự luật bằng văn bản trước đó.III) clustering mã:Kết cụm mã được viết bằng Java. Chúng tôiđã thực hiện hai nguyên tắc clusteringthói quen. Đầu tiên là để chạykMeans trên lực lượng đặc nhiệm * idf vectơ cho emailđể mô phỏng và đánh giá cácCác phương pháp cơ bản đằng sau một đa sốhiện tại văn bản kỹ thuật kết cụm. Cácthói quen thứ hai đánh giá khoảng cách dựatrên các số liệu đã học từ xa như đã giải thích[1] và trong phần III. Chúng tôi tính năng spacekhông phải mẫu mỗi email như là một vector củacho số thực. Thay vào đó, mô hình cáckhoảng cách giữa hai email như χ = ℜn.Do đó, kMeans không chạybình thường vì không có điểm như vậy như là mộtcentroid cho mỗi nhóm. Do đó, chúng tôi xác định vị trí"đại diện" điểm cho mỗi nhóm Ctheo hàm mục tiêu:P = argmin P c (Σ || X-P || 2A) ở đâu,X là một điểm trong cụm C.

Kết quả (Việt) 2:

ii) Mã Học tập:
- Diagonal Học
Hai phương pháp học tập như mô tả
trước đó và trong [1] đã được mã hóa trong
MATLAB. Chúng tôi rất biết ơn sâu sắc đối với
sự giúp đỡ liên tục từ Pieter Abbeel trong
tư vấn cho chúng tôi vào việc sửa sắc thái của các
chức năng tối ưu hóa.
Các không gian tìm kiếm là gần như liên tục
dốc cho hàm mục tiêu đã đề cập
trước đó với một ban nhạc tối ưu rất hẹp.
Các giải pháp đã dễ dàng bị bỏ qua bởi các
phương pháp Newton Raphson. Một yếu tố contant
C (giữa 0 và 1.0) đã được nhân rộng để
các tổng trên điểm tương tự để
làm cho không gian tìm kiếm thuận lợi hơn
để tối ưu hóa. Kết quả là chỉ có một
phiên bản thu nhỏ của tối ưu ban đầu
được tìm thấy. Một ví dụ được tạo ra từ lý tưởng gần
dữ liệu tổng hợp (dễ nhất để tối ưu hóa) với
hai tính năng và vì thế hai tham số (1
cho mỗi) để được học có một không gian tìm kiếm như
hình. 1a, được chuyển thành hình. 1b
như một kết quả của sự mở rộng quy mô thực hiện.
- Full Matrix Học
Mã - như giả mã hoá trong Xing et al [1]
đã có một thời gian trên không đáng kể để nó
tín dụng như là kết quả mà ứng dụng của nó
trong một đại lý văn phòng có vẻ nghi ngờ. Chúng tôi
bây giờ có (với sự giúp đỡ từ Pieter Abbeel) một
mã tối ưu hóa bằng cách sử dụng SeDuMi
gói, chạy cực kỳ hiệu quả
để học đầy đủ ma trận trong vài giây. Các
kết quả này hoàn toàn phù hợp với thời
đang chiếu lặp đi lặp lại bằng văn bản trước đó.
Iii) Clustering Code:
Mã phân nhóm được viết bằng Java. Chúng tôi
đã thực hiện hai phân nhóm nguyên
thói quen. Người đầu tiên là cho chạy
kMeans trên * vectơ idf tf cho các email
để mô phỏng và đánh giá các
phương pháp cơ bản đằng sau một phần lớn của
kỹ thuật văn bản phân nhóm hiện tại. Các
thói quen thứ hai đánh giá khoảng cách dựa
vào khoảng cách học được số liệu như đã giải thích
ở [1] và trong phần III. Không gian đặc trưng của chúng tôi
không mô hình mỗi email như là một vector của
số thực. Thay vào đó, các mô hình
khoảng cách giữa hai email như χ = ℜn
.
Do đó, kMeans không chạy
bình thường vì không có điểm như một
trọng tâm cho mỗi cụm. Do đó, chúng tôi xác định vị trí
các điểm "đại diện" cho từng cụm C
theo hàm mục tiêu:
P = argmin P trong C (Σ || X - P || 2
A) ở đâu,
X là một điểm trong cụm C.