{Yanzhu Liu Chi Keong Goh Adams Wai Kin Kong}
الملخص
الانحدار الترتيبي هو مشكلة تعلم مراقبة تهدف إلى تصنيف الأمثلة ضمن فئات مرتبة. يُعدّ استخلاص الميزات عالية المستوى تلقائيًا لتمثيل المعلومات داخل الفئة والعلاقة الترتيبية بين الفئات أمرًا صعبًا. تُقدّم هذه الورقة صيغة برمجة مُقيَّدة لمشكلة الانحدار الترتيبي، والتي تُقلل من الاحتمال السالب اللوغاريتمي لعدة فئات مع إخضاعها لعلاقة الترتيب بين الأمثلة. من الناحية الرياضية، يُعاد تفسيرها إلى صيغة غير مُقيَّدة تضم منظمًا زوجيًا. كما تُقترح إحدى التنفيذات القائمة على إطار الشبكة العصبية التلافيفية (CNN) لحل هذه المشكلة، بحيث يمكن استخلاص الميزات عالية المستوى تلقائيًا، وتعلم الحل الأمثل من خلال طريقة الانتشار العكسي التقليدية. تُمكّن القيود الزوجية المقترحة الخوارزمية من الأداء الفعّال حتى على المجموعات الصغيرة من البيانات، كما أن التنفيذ الفعّال المُقترح يجعلها قابلة للتوسع على المجموعات الكبيرة من البيانات. أظهرت النتائج التجريبية على أربع معايير واقعية أن الخوارزمية المقترحة تتفوّق على النهج التقليدية للتعلم العميق، وكذلك على الطرق المتطورة الأخرى القائمة على ميزات مُصممة يدويًا.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| aesthetics-quality-assessment-on-image | CNNPOR | Accuracy: 70.05 MAE: 0.316 |
| age-estimation-on-adience-1 | CNNPOR | Accuracy: 57.4 MAE: 0.55 |
| historical-color-image-dating-on-hci | CNNPOR | MAE: 0.82 accuracy: 50.12 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.