@article { author = {Aeini, Faraein and Eftekhari Moghadam, Amir Masoud and Mahmoudi, Fariborz}, title = {A Supervised Method for Building a Regularized Map for General Multi-View Multi-Manifold Learning}, journal = {Journal of Soft Computing and Information Technology}, volume = {8}, number = {4}, pages = {1-16}, year = {2020}, publisher = {Babol Noshirvani University of Technology}, issn = {2383-1006}, eissn = {2588-4913}, doi = {}, abstract = {In this paper, we consider the issue of automatic and unsupervised class-manifold selection in a multi-view multi-manifold space. General multi-manifold learning methods achieve multiple independent manifolds, so it is challenging for them to adjust the intra-class local manifold information and global inter-class discriminative structure. In this paper, we propose a multi-manifold embedding method, which can explicitly obtain multi-view multi-manifold structure while considering both intra-class compactness and inter-class separability without using the class label information. Furthermore, to the generalization of embedding to novel points, known as the out-of-sample extension problem in multi-view multi-manifold learning, we propose a supervised method for building a regularized map that provides an out-of-sample extension for general multi-view multi-manifold learning studied in the context of classification. Experimental results on face and object images demonstrate the potential of the proposed method for the classification of multi-view multi-manifold data sets and the proposed out-of-sample extension algorithm for the classification of manifold-modeled data sets.}, keywords = {Multi-view multi-manifold learning,Dimensionality reduction,Out-of-sample extensions,Multi-view classification}, title_fa = {ارائه نگاشت صریح و تنظیم شده‏ ی باناظر برای یادگیری مالتی منیفولد داده‏ های چند منظری بدون برچسب}, abstract_fa = {در این مقاله، به مسئله‏ ی انتخاب خودکار و بدون ناظر منیفولد طبقه در فضای مالتی منیفولد چند منظری می‏پردازیم. مسئله‏ی طبقه‏بندی تصاویر چند منظری برای یافتن منیفولد طبقه را می‏توان به‏عنوان مسئله‏ی یادگیری چندین منیفولد با تعدادی اشتراک بین منیفولدها در نظر گرفت. در حالت کلی مسئله‏ی یادگیری مالتی منیفولد با چندین زیر فضای مستقل کار می‏کند، بنابراین ایجاد تعادل میان اطلاعات درون منیفولد طبقه و ساختار متمایز کننده‏ی بین طبقه‏ها مشکل است. در این مقاله، روشی پیشنهاد می‏دهیم که بدون استفاده از اطلاعات برچسب نقاط داده با توجه به فشردگی درون طبقه‏ای و تفکیک‏پذیری برون طبقه‏ای، ساختار مالتی منیفولد چند منظری را به‏دست می‏آورد. به‏علاوه، برای تعمیم تعبیه برای نقاط جدید که به‏عنوان مشکل "خارج از نمونه" شناخته می‏شود، نگاشت صریح و تنظیم شده‏ی باناظر برای کاهش بٌعد غیرخطی ارائه کردیم که "توسعه خارج از نمونه" را برای یادگیری مالتی منیفولد چند منظری در زمینه‏ی طبقه‏بندی انجام می‏دهد. نتایج آزمایشات در دو دسته‏ی مدل‏سازی خودکار و بدون ناظر ساختار گراف مالتی منیفولد چند منظری و نرخ بازشناسی بر روی چندین مجموعه داده‏ی چند منظری برتری روش پیشنهادی را نسبت به دیگر روش‏های گزارش شده در مطالعات اخیر نشان می‏دهد.}, keywords_fa = {یادگیری مالتی منیفولد چند منظری,کاهش بٌعد غیر خطی,توسعه‏ ی خارج از نمونه,طبقه ‏بندی تصاویر چندمنظری}, url = {https://jscit.nit.ac.ir/article_95835.html}, eprint = {https://jscit.nit.ac.ir/article_95835_c9d68434e24d481f4ce3361cb2782027.pdf} }