РЕШЕНИЕ ЗАДАЧИ СЛАБО КОНТРОЛИРУЕМОЙ РЕГРЕССИИ С ИСПОЛЬЗОВАНИЕМ МАТРИЦЫ КОАССОЦИАЦИИ И РЕГУЛЯРИЗАЦИИ

В настоящее время теория и методы машинного обучения (МО) быстро развиваются и все шире используются в различных областях науки и техники, в частности в производстве, образовании и медицине. Слабо контролируемое обучение – это часть исследований в области машинного обучения, направленная на разработку моделей и методов анализа различных типов информации. При формулировании задачи обучения со слабо контролируемой обучением предполагается, что некоторые объекты в модели определены неправильно. Эту неточность можно понимать по-разному. Слабо контролируемое обучение – это тип метода машинного обучения, при котором модель обучается с использованием неполных, неточных или неточных сигналов наблюдения, а не с использованием полностью проверенных данных. Слабо контролируемое обучение часто возникает в реальных задачах по разным причинам. Это может быть связано с высокой стоимостью процесса маркировки данных, низкой точностью датчиков, недостатком опыта экспертов или человеческой ошибкой. Например, маркировка плохого контроля осуществляется в случаях, полученных методами краудсорсинга: для каждого объекта имеется набор различных оценок, качество которых зависит от мастерства исполнителей. Другой пример – проблема обнаружения объекта на изображении. Ограничительные линии – это распространенный способ указания местоположения и размера объектов, обнаруженных на изображении, в задачах обнаружения объектов. В статье представлен алгоритм решения многокритериальной задачи слабо контролируемой регрессии с использованием метрики Вассерштейна, различной регуляризации и матрицы коассоциации в качестве матрицы подобия. В работе также был усовершенствован алгоритм расчета средневзвешенной матрицы коассоциаций. Мы сравниваем предложенный алгоритм с существующими алгоритмами обучения с учителем и обучения без учителя на синтетических и реальных данных.

1. Qin Q., Zhou X., Jiang Y. (2021) Prognosis Prediction of Stroke based on Machine Learning and Explanation Model, International Journal of Computers, Communications and Control, vol. 6, pp. 1–13.

2. Merembayev T., Amirgaliyeva S. & Kozhaly K. (2021) Using item response theory in machine learning algorithms for student response data. In 2021 IEEE International Conference on Smart Information Systems and Technologies (SIST), pp. 1–5. IEEE

3. Shahana I., Tri N., Xiao F.][ Fu D.Y., Chen M.F., Zhang M., Fatahalian K., Ré C. The Details Matter: Preventing Class Collapse in Supervised Contrastive Learning. Computer Science Math. Forum 2022.

4. Xiao Y., Yin Z., Liu B. (2020) A similarity-based two-view multiple instance learning method for classification. Knowl.-Based Syst., pp. 201–202.

5. Qian X., Lin C., Chen Z., Wang W. (2024) SAM-Induced Pseudo Fully Supervised Learning for Weakly Supervised Object Detection in Remote Sensing Images. Remote Sens., vol. 16, p. 1532.

6. Zheng S., Wu Z., Xu Y., Wei Z. (2024) Weakly Supervised Object Detection for Remote Sensing Images via Progressive Image-Level and Instance-Level Feature Refinement, Remote Sens., no. 16, p. 1203.

7. Tan C., Song W. (2024) Weakly Supervised Depth Estimation for 3D Imaging with Single Camera Fringe Projection Profilometry, Sensors, no. 24, p. 1701.

8. Wang Z., Zhang J., Bai L., Chang H., Chen Y., Zhang Y., Tao J. (2024) A Deep Learning Based Platform for Remote Sensing Images Change Detection Integrating Crowdsourcing and Active Learning, Sensors, no. 24, p. 1509.

9. Yang Z., Mahajan D., Ghadiyaram D., Nevatia R., Ramanathan V. (2019) Activity driven weakly supervised object detection, pp. 2912–2921.

10. Zhou Z.H. (2017) A brief introduction to weakly supervised learning. Natl. Sci. Rev., no. 5, pp. 44–53.

11. Bogachev V.I., Kolesnikov A. (2012) The Monge-Kantorovich problem: achievements, connections, and perspectives Russ. Math. Surv., 67, pp. 785–890.

12. Aggarwal C.C., Hinneburg A., Keim D.A. (2001) On the surprising behavior of distance metrics in high dimensional space. In: Van den Bussche, J., Vianu, V. (eds.) ICDT 2001. LNCS, vol. 1973, pp. 420–434. Springer, Heidelberg.

13. Kaya H., Tьfekci P., Uzun E. (2019) Predicting CO and NOx emissions from gas turbines: novel data and a benchmark PEMS. Turk. J. Electr. Eng. Comput. Sci., 27, pp. 4783–4796.

14. Al-Mekhlafi Z., Senan E., Rassem T., Mohammed B., Makbol N., Alanazi A., Almurayziq T., Ghaleb F. (2022) Deep learning and machine learning for early detection of stroke and haemorrhage, Comput. Mater. Contin., 72, pp. 775–796.

15. Alhakami H., Alraddadi S., Alseady S., Baz A., Alsubait T. (2020) A Hybrid Efficient Data Analytics Framework for Stroke Prediction. Int. J. Comput. Sci. Netw. Secur, 20, pp. 240–250.

16. Higham N. (2002) Accuracy and Stability of Numerical Algorithms. SIAM.

17. Cherikbayeva L., Daiyrbayeva E., Yerimbetova A. Research of Cluster Analysis Methods for Group Solutions of the Pattern Recognition Problem, Proceedings – 6th International Conference on Computer Science and Engineering, UBMK 2021, pp. 494–497. Date Added to IEEE Xplore: 13 October 2021.

18. Merembayev T., Kurmangaliyev D., Bekbauov B., Amanbek Y. (2021) A Comparison of machine learning algorithms in predicting lithofacies: Case studies from Norway and Kazakhstan. Energies, vol. 14, no. 7.

19. Abdrazakuly N., Сherikbayeva L. (2023) Creation Of An Effective Image Processing Algorithm Based On An Ensemble Approach, Journal of Problem in Computer Science and Information Technologies, no. 3(1). https://doi.org/10.26577/1i32jpcsit2308

20. UC Irvine Machine Learning Repository: Gas Turbine CO and NOx Emission Data Set, 06 April 2021. https://archive.ics.uci.edu/ml/datasets/Gas+Turbine+CO+and+NOx+Emission+Data+Set