Resumen

La representación efectiva de características es la clave del éxito de las aplicaciones de aprendizaje automático. Recientemente, se han propuesto muchos modelos de aprendizaje de características. Entre estos modelos, el modelo de variables latentes de proceso gaussiano (GPLVM) para el aprendizaje de características no lineales ha recibido mucha atención debido a su rendimiento superior. Sin embargo, la mayoría de los GPLVM existentes están diseñados principalmente para tareas de clasificación y regresión, por lo que no pueden utilizarse en tareas de agrupamiento de datos. Para abordar este problema y ampliar el alcance de la aplicación, este artículo propone un nuevo GPLVM para agrupamiento (C-GPLVM). Específicamente, al combinar GPLVM con el método de agrupamiento de subespacios, nuestro C-GPLVM puede obtener una variable latente más representativa para el agrupamiento. Además, puede predecir directamente las nuevas muestras introduciendo una restricción inversa en el modelo, siendo así más adecuado para tareas de aprendizaje de grandes volúmenes de datos como el análisis de series temporales caót

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Representación de características; Aplicaciones de aprendizaje automático; Modelo de variables latentes de proceso gaussiano; C-GPLVM; Agrupamiento; Tarea de agrupamiento de datos
• Keywords:Feature representation; Machine learning applications; Gaussian process latent variable model; C-GPLVM; Clustering; Data clustering task