«Տրանսդուկտիվ ուսուցում»–ի խմբագրումների տարբերություն
Content deleted Content added
No edit summary |
No edit summary |
||
Տող 1.
▲'''Տրանսդուկտիվ ուսուցում''' ({{lang-en|transductive learning}}), կիսահսկվող ուսուցում (մասնակի ուսուցում) կամ ուսուցում ուսուցչի մասնակի ներգրավմամբ, երբ կանխատեսումը ենթադրվում է միայն թեստի նմուշի նախադեպերի համար:
=== '''Ինչ է տրանսդուկտիվ ուսուցումը''' ===
Transduction կամ transductive ուսուցումն օգտագործվում է վիճակագրական ուսուցման տեսության ոլորտում `վկայակոչելով որոշակի օրինակներ, որոնք տրված են որոշակի տիրույթի օրինակներից: Այն հակադրվում է ուսուցման այլ տեսակների հետ, ինչպիսիք են ինդուկտիվ և դեդուկտիվ ուսուցումը:
Տող 9 ⟶ 8՝
Տարբերությունն ամենահետաքրքիրն է այն դեպքերում, երբ տրանսդուկտիվ մոդելի կանխատեսումները անհասանելի են որևէ ինդուկտիվ մոդելի միջոցով:Առաջանում են իրավիճակներ, երբ տարբեր փորձարկման նմուշների վրա փոխարկիչ եզրակացության արդյունքում ստացվում են փոխադարձ հակասական կանխատեսումներ:
=== '''Պատմություն''' ===
Փոխակերպումը ներդրեց Վլադիմիր Վապնիկը 1990 -ականներին: Նրա կարծիքով, փոխարկումը գերադասելի է [[Ինդուկցիա|ինդուկցիայից]], քանի որ ինդուկցիան պահանջում է ավելի ընդհանուր խնդրի լուծում (գործառույթի վերականգնում) ավելի կոնկրետ խնդիր լուծելուց առաջ (արդյունքների հաշվարկ նոր դեպքերի համար)։«… հետաքրքրող խնդիրն լուծելիս մի լուծեք ավելի ընդհանրական խնդիր ՝ որպես միջանկյալ քայլ: Փորձեք ստանալ այն պատասխանը, որն իսկապես անհրաժեշտ է, բայց ոչ ավելին »:Ավելի վաղ նմանատիպ դիտարկում էր արել [[Բերտրան Ռասել|Բերտրան Ռասելը]].
«... մենք կգանք այն եզրակացության, որ [[Սոկրատես|Սոկրատեսը]] մահկանացու է ՝ ավելի հստակ մոտեցմամբ, եթե մեր փաստարկը դարձնենք զուտ ինդուկտիվ, քան եթե գնանք« բոլոր մարդիկ մահկանացու են »ճանապարհով և ապա օգտագործենք [[Դեդուկցիա|դեդուկցիան]]<nowiki/>»:
=== '''Պատճառներ''' ===
Ուսուցման ոչ ինդուկտիվ օրինակ կարողն է լինել երկուական դասակարգման դեպքը, երբ մուտքագրված տվյալները սովորաբար խմբավորված են երկու խմբի։Մասնավորապես թեստային մուտքային տվյալների մեծ փաթեթը կարող է օգնել մի քանի միատարր տարրերի որոնմանը, որոնք դիտարկվում են որպես անկախ միավոր, ապահովելով անհրաժեշտ տեղեկատվություն դասակարգման նշանների վերաբերյալ:Նույն կանխատեսումները չեն բխի մի մոդելից, որն առաջացնում է գործառույթ ՝ հիմնված միայն ուսուցման դեպքերի վրա, ինչը կարող է թվալ կիսահսկվող ուսուցման օրինակ, սակայն Վապնիկի մոտիվացիան այլ էր: Այս կատեգորիայի ալգորիթմի օրինակ է Transductive Support Vector Machine TSVM- ը:Երրորդ պատճառը, որը տանում է դեպի փոխակերպում, առաջանում է մոտարկման, մոտարկման անհրաժեշտությունից: Եթե ճշգրիտ եզրակացությունը հաշվարկային առումով անհնար է, կարելի է փորձել համոզվել, որ պարզեցումները հարմար են կոնկրետ դեպքերի համար:
=== '''Ալգորիթմները''' ===
Փոխակերպման [[Ալգորիթմ|ալգորիթմները]] կարող են լայնորեն բաժանվել երկու կատեգորիայի. Նրանք, ովքեր ձգտում են դիսկրետ պիտակներ նշանակել չպիտակավորված կետերին, և նրանք, ովքեր ձգտում են հետընթաց կատարել չպիտակավորված կետերի համար: Ալգորիթմները, որոնք ձգտում են կանխատեսել պիտակները, հակված են ստացվել ՝ կլաստերային ալգորիթմին մասնակի վերահսկողություն ավելացնելով: Ալգորիթմների երկու դաս կարող է օգտագործվել ՝ հարթ կլաստերացում և հիերարխիկ կլաստերացում: Վերջիններս կարող են հետագայում բաժանվել երկու կատեգորիայի ՝ նրանք, որոնք հավաքվում են բաժանման միջոցով և նրանք, որոնք խմբավորվում են ագլոմերացիայի միջոցով:Ալգորիթմները, որոնք ձգտում են կանխատեսել շարունակական պիտակներ, հակված են դառնալու ՝ մասնակի վերահսկողություն ավելացնելով բազմազան ուսուցման ալգորիթմին։
=== Գրականություն ===
* [https://books.google.am/books?id=A3ISEAAAQBAJ&lpg=PP1&dq=transductive%20learning%20book&hl=ru&pg=PP1#v=onepage&q=transductive%20learning%20book&f=false Semi-supervised Learning]▼
* [https://books.google.am/books?id=3Hi8BAAAQBAJ&lpg=PP1&dq=transductive%20learning%20book&hl=ru&pg=PP1#v=onepage&q=transductive%20learning%20book&f=false Empirical Inference: Festschrift in Honor of Vladimir N. Vapnik]▼
* [https://books.google.am/books?id=W8ED2Yw3SfYC&lpg=PR2&dq=transductive%20learning%20book&hl=ru&pg=PR2#v=onepage&q&f=false Machine Learning and Knowledge Discovery in Databases]▼
* [https://books.google.am/books?id=nxflBwAAQBAJ&lpg=PP1&dq=transductive%20learning%20book&hl=ru&pg=PP1#v=onepage&q=transductive%20learning%20book&f=false Learning to Classify Text Using Support Vector Machines]▼
▲
== Աղբյուրներ ==▼
* [https://intellect.icu/transduktivnoe-obuchenie-transduction-122 «Transduction(machine learning)»]▼
* [https://www.ncbi.nlm.nih.gov/books/NBK21760/ «Transduction»]▼
* [https://www.news-medical.net/life-sciences/What-is-Viral-Transduction.aspx «Viral Transduction»]▼
* [https://towardsdatascience.com/inductive-vs-transductive-learning-e608e786f7d «Inductive vs transductive learning»]▼
* [[arxiv:2109.07812|«Transductive learning»]]▼
* [https://codesachin.wordpress.com/2016/07/03/a-small-and-easy-introduction-to-transductive-learning/amp/ «Introduction to Transductive learning»]▼
▲
== Արտաքին հղումներ ==▼
* [https://codesachin.wordpress.com/2016/07/03/a-small-and-easy-introduction-to-transductive-learning/ «A small and easy introduction to Transductive Learning»]▼
▲
* [https://opencv.org/understanding-transductive-few-shot-learning/ «Understanding Transductive Few-shot Learning»]▼
* [http://www.gabormelli.com/RKB/Transductive_Learning_Task «Transductive Learning Task»]▼
▲
▲=== Աղբյուրներ ===
▲
▲
▲
▲
[[arxiv:2108.03679|<<Inductive and Transductive Learning>>]]
[https://www.cs.cornell.edu/people/tj/publications/joachims_03a.pdf <<Transductive Learning via Spectral Graph Partitioning>>]
[https://openaccess.thecvf.com/content_ECCV_2018/papers/Weiwei_Shi_Transductive_Semi-Supervised_Deep_ECCV_2018_paper.pdf <<Transductive Semi-Supervised Deep Learning>>]
[https://ieeexplore.ieee.org/document/6252494 <<Transductive learning algorithms>>]
[https://www.ijcai.org/proceedings/2021/369 <<Graph-based Transductive Learning>>]
▲=== Արտաքին հղումներ ===
▲
▲
|