based approaches assumes that there

based approaches assumes that there exist a common subspace that is shared among the class labels. Therefore, any algorithm that intend to extract the shared subspace and the decision function is learnt on that subspace not only reduce the information redundancy but also is able to take into account the label correlations. Yan et. al. propose a boosting algorithm called Model-shared Subspace Boosting (MSSBoost) [62]. This method uses random subspace sampling to select feature subspace to work on and then, model sharing techniques to automatically find, share and combine a number of random subspaces, and finally boosting based ensemble learning to jointly optimize the loss function over all labels. A much simpler method for the same purpose is proposed in [25] that uses a linear transformation method to capture the shared subspace and finally uses a binary classifier train on this shared subspace.

Kết quả (Việt) 1:

phương pháp tiếp cận dựa trên giả định rằng có tồn tại một con phổ biến được chia sẻ giữa các nhãn lớp. Vì vậy, bất kỳ thuật toán mà dự định trích dẫn các con được chia sẻ và các chức năng quyết định là học được trên con đó không chỉ làm giảm sự thừa thông tin nhưng cũng có thể đưa vào tài khoản các mối tương quan nhãn. Yan et. Al. đề xuất một thuật toán thúc đẩy được gọi là chia sẻ mô hình động thúc đẩy (MSSBoost) [62]. Phương pháp này sử dụng lấy mẫu ngẫu nhiên động để chọn tính năng động để làm việc trên và sau đó, mô hình chia sẻ kỹ thuật để tự động tìm, chia sẻ và kết hợp một số ngẫu nhiên subspaces, và cuối cùng thúc đẩy dựa toàn bộ học tập để cùng nhau tối ưu hóa chức năng mất trên tất cả nhãn. Một phương pháp đơn giản hơn nhiều cho cùng một mục đích được đề xuất trong [25] mà sử dụng một phương pháp biến đổi tuyến tính để nắm bắt con được chia sẻ và cuối cùng sử dụng một chuyến tàu nhị phân loại trên này con được chia sẻ.

Kết quả (Việt) 2:

phương pháp tiếp cận dựa trên giả định rằng có tồn tại một không gian con phổ biến mà được chia sẻ giữa các nhãn lớp. Vì vậy, bất kỳ thuật toán mà có ý định để trích xuất các không gian con được chia sẻ và các chức năng quyết định được học về mà không gian con không chỉ làm giảm sự dư thừa thông tin mà còn có thể đưa vào tài khoản các mối tương quan nhãn. Yan et. al. đề xuất một thuật toán được gọi là không gian con thúc đẩy Model-chia sẻ Boosting (MSSBoost) [62]. Phương pháp này sử dụng lấy mẫu không gian con ngẫu nhiên để chọn tính năng không gian con để làm việc và sau đó, chia sẻ các kỹ thuật mô hình để tự động tìm kiếm, chia sẻ và kết hợp một số subspaces ngẫu nhiên, và cuối cùng là thúc đẩy học tập dựa trên bộ quần áo đồng để cùng nhau tối ưu hóa hàm tổn thất trên tất cả các nhãn. Một phương pháp đơn giản hơn nhiều cho các mục đích tương tự được đề xuất trong [25] sử dụng một phương pháp biến đổi tuyến tính để nắm bắt các không gian con được chia sẻ và cuối cùng sử dụng một tàu phân loại nhị phân trên không gian con này chia sẻ.