Resumen

Uno de los aspectos más importantes en el aprendizaje semisupervisado es la creación del conjunto de entrenamiento entre una cantidad limitada de datos etiquetados de tal manera que se maximice la capacidad representativa y la eficacia del marco de aprendizaje. En este documento, examinamos la efectividad de diferentes enfoques de selección de muestras etiquetadas para la creación del conjunto de entrenamiento, que se utilizarán en enfoques de aprendizaje semisupervisado para problemas complejos de reconocimiento de patrones visuales. Proponemos y exploramos una variedad de enfoques de muestreo combinatorio basados en la selección de instancias representativas dispersas (SMRS), el algoritmo OPTICS, el algoritmo de agrupamiento k-means y la selección aleatoria. Estos enfoques se exploran en el contexto de cuatro técnicas de aprendizaje semisupervisado, es decir, enfoques basados en grafos (funciones armónicas y grafo de anclaje), separación de baja densidad y regresores múltiples basados en su

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Aspectos importantes; Aprendizaje semisupervisado; Creación de conjunto de entrenamiento; Datos etiquetados; Capacidad representativa; Eficacia; Reconocimiento de patrones visuales; Enfoques de selección de muestras; Selección de instancias representativas dispersas; Algoritmo OPTICS; Algoritmo de agrupamiento k-means; Selección aleatoria; Enfoques basados en grafos; Funciones armónicas; Grafo de anclaje; Separación de baja densidad; Regresores múltiples basados en suavidad; Aplicaciones de visión por computadora; Reconocimiento de defectos concretos; Superficies de túneles; Reconocimiento de actividades; Monitoreo de flujos de trabajo industriales.
• Keywords:Important aspects; Semisupervised learning; Training set creation; Labeled data; Representational capability; Efficacy; Visual pattern recognition; Sample selection approaches; Sparse representative instances selection; OPTICS algorithm; K-means clustering algorithm; Random selection; Graph-based approaches; Harmonic functions; Anchor graph; Low-density separation; Smoothness-based multiple regressors; Computer vision applications; Concrete defect recognition; Tunnel surfaces; Activity recognition; Industrial workflow monitoring.