کارکردی از روش کاهش بعد غیرخطی بر اساس همسایگی مکانی

Paper ID : 1016-SPATIAL (R2)

Authors

رها بهزادی فرد *, موسی گلعلی‌زاده دانشگاه تربیت مدرس

Abstract

امروزه حجم انبوهی از داده‌های بُعد بالا که در آن‌ها تعداد متغیرها بیشتر از تعداد نمونه‌ها است، در حوزه‌های مختلف از جمله علوم زیستی و تصویربرداری پزشکی تولید می‌شود. روش‌های کلاسیک آماری در تحلیل این داده‌ها با نارسایی‌هایی روبه‌رو هستند. در این بین، کاهش بعد به عنوان راهکاری برای تسهیل تحلیل آماری داده‌های بعد بالا شناخته می‌شود. انتخاب روش کاهش بعد متناسب با ساختار داده می‌تواند تأثیر به‌سزایی در عملکرد مدل‌های آتی داشته باشد. نگاشت و تقریب یکنواخت منیفلد و تحلیل مولفه‌های اصلی مبتنی بر هسته دو روش کاهش بعد غیرخطی هستند که از قابلیت همسایگی مکانی داده بهره می‌برند. در مقاله حاضر، ابتدا به توضیح مختصر این دو روش پرداخته و سپس عملکرد آن‌ها در رده‌بندی تعدادی تصاویر پزشکی برای تشخیص سرطان با یکدیگر و همچنین با روش مرسوم کاهش بعد خطی مقایسه می‌شوند.

Keywords

یادگیری منیفلد، تحلیل مولفه‌های اصلی، داده‌های بُعد بالا، رده‌بندی تصاویر پزشکی، همسایگی مکانی.

Status: Accepted (Oral Presentation)