یادگیری اولویتی

یادگیری اولویتی (Preference learning)، زیر شاخه ای از یادگیری ماشینی است که بر اساس اولویت اطلاعات رده‌بندی می‌شود.^[۱]در یادگیری نظارت‌شده، یادگیری اولویتی دنباله‌هایی از مجموعه عناوینی است که بر اساس عناوین یا عناوین دیگر اولویت داشته و اولویت همه عناوین را پیش‌بینی می‌کند.

هنگامی که تصویری از یادگیری اولویتی برای بعضی وقت‌ها در زمینه‌های مختلف مانند علم اقتصاد پدیدار می‌شود،^[۲]نسبتاً موضوعی جدید در زمینه هوش مصنوعی است. چندین کارگاه از دهه گذشته تا زمان حال دارند مورد یادگیری اولویتی بحث می‌کنند.^[۳]

وظایفویرایش

مهم‌ترین موضوع در یادگیری اولویتی، نگرانی دربارهه مشکلات یادگیری رتبه‌بندی است. با توجه به انواع مختلفی از اولویت اطلاعات دیده شده، وظایف به عنوان سه موضوع اصلی در کتاب یادگیری اولویتی (Preference learning) دسته‌بندی شده‌است.^[۴]

رتبه‌بندی عنوانویرایش

در رتبه‌بندی عنوان، یک مورد، فضای نمونه $X=\{x_{i}\}\,\!$ و چندین دسته از عناوین $Y=\{y_{i}|i=1,2,\cdots ,k\}\,\!$ را دارد. اطلاعات در اولویت به شکل نشان داده می‌شود و نمونه نشان می‌دهد که نسبت به در اولویت است. یک دسته از اطلاعات در اولویت به عنوان داده آموزشی در طرح استفاده می‌شود. وظیفه این طرح رتبه‌بندی بر اساس اولویت عناوین هر نمونه است.

مشاهده شده که بعضی موضوعات طبقه‌بندی شده مرسوم می‌توانند در چارچوب رتبه‌بندی عناوین تعمیم یابند:^[۵]اگر نمونه $x\,\!$ به عنوان گروه $y_{i}\,\!$ نشان داده باشد، این موضوع نشان می‌دهد که $\forall j\neq i,y_{i}\succ _{x}y_{j}\,\!$ است. در چندین عنوان، $x\,\!$ با دسته ای از عناوین $L\subseteq Y\,\!$ در ارتباط است و این طرح می‌تواند اطلاعات در اولویت را که به شکل $\{y_{i}\succ _{x}y_{j}|y_{i}\in L,y_{j}\in Y\backslash L\}\,\!$ هستند، استخراج کند. دنباله طرح در اولویت برای این اطلاعات در اولویت و نتیجه طبقه‌بندی شده از یک فضا فقط متناظر با بهترین رتبه عناوین هستند.

رتبه‌بندی یک نمونهویرایش

رتبه‌بندی یک نمونه، یک فضای نمونه $X\,\!$ و $Y\,\!$ را دارد. در این حالت، عناوین به شکل $y_{1}\succ y_{2}\succ \cdots \succ y_{k}\,\!$ مرتب شده و هر نمونه $x_{l}\,\!$ با $y_{l}\,\!$ در ارتباط است. دسته ای از نمونه‌ها که به عنوان داده آموزشی هستند، کارهایشان این است که ترتیب دسته ای از نمونه‌های جدید را بدست آورند.

رتبه‌بندی یک موضوعویرایش

رتبه‌بندی یک موضوع نسبت به رتبه‌بندی یک نمونه شباهت دارد با این تفاوت که هیچ عنوانی با هیچ نمونه ای در ارتباط نیست. دسته ای از اطلاعات اولویتی هستند که به شکل $x_{i}\succ x_{j}\,\!$ داده می‌شوند و این طرح از میان نمونه‌ها رتبه‌بندی می‌کند.

جستارهای وابستهویرایش

یادگیری بر اساس رتبه‌بندی

منابعویرایش

↑ Mohri, Mehryar; Rostamizadeh, Afshin; Talwalkar, Ameet (2012). Foundations of Machine Learning. USA, Massachusetts: MIT Press. ISBN 9780262018258.
↑ Shogren, Jason F. ; List, John A. ; Hayes, Dermot J. (2000). "Preference Learning in Consecutive Experimental Auctions". American Journal of Agricultural Economics. 82 (4): 1016–1021. doi:10.1111/0002-9092.00099.
↑ "Preference learning workshops".
↑ Fürnkranz, Johannes; Hüllermeier, Eyke (2011). "Preference Learning: An Introduction". Preference Learning. Springer-Verlag New York, Inc. pp. 3–8. ISBN 978-3-642-14124-9.
↑ Har-peled, Sariel; Roth, Dan; Zimak, Dav (2003). "Constraint classification for multiclass classification and ranking". In Proceedings of the 16th Annual Conference on Neural Information Processing Systems, NIPS-02: 785–792.

پیوند به بیرونویرایش

Preference Learning site

[1] Mohri, Mehryar; Rostamizadeh, Afshin; Talwalkar, Ameet (2012). Foundations of Machine Learning. USA, Massachusetts: MIT Press. ISBN 9780262018258.

[2] Shogren, Jason F. ; List, John A. ; Hayes, Dermot J. (2000). "Preference Learning in Consecutive Experimental Auctions". American Journal of Agricultural Economics. 82 (4): 1016–1021. doi:10.1111/0002-9092.00099.

[3] "Preference learning workshops".

[4] Fürnkranz, Johannes; Hüllermeier, Eyke (2011). "Preference Learning: An Introduction". Preference Learning. Springer-Verlag New York, Inc. pp. 3–8. ISBN 978-3-642-14124-9.

[5] Har-peled, Sariel; Roth, Dan; Zimak, Dav (2003). "Constraint classification for multiclass classification and ranking". In Proceedings of the 16th Annual Conference on Neural Information Processing Systems, NIPS-02: 785–792.

[۱]

[۲]

[۳]

[۴]

[۵]