[[alternative]]Evolutionary-Based Clustering with Supervision

計畫編號：NSC94-2213-E032-023研究期間：200508~200607研究經費：420,000[[abstract]]工程應用上關於監督式學習與非監督學習這兩者在其出發點或執行策略上是有所差異的；以群聚分析為主要應用的監督式學習法則是在已有預設的資訊或知識的情況下，利用演算法去發掘問題的核心所在，而非監督式學習法則卻是在不預設立場的情況下，讓系統從大量的資料中去發現其隱含的有用信息。以影像分割為例，它常被定位在典型非監督式法則的應用範疇，影像中的像素通常視為色彩空間中的獨立物件；當影像資料所處的時域或頻域空間中之資料點具有良好的分隔特性時，此時非監督式的群聚分析演算法在物件分類上便可以有很好的表現；不過若是其資料群聚間發生重疊現象時，非監督式的切割法則很難得到正確的邊界；在這種情形下，若是可以採用監督式的分類方法(supervised classification)將會有效得多，但是監督式的分類方法所面臨最大的困難卻是我們需要大量經過人工方式加標(labeled)的資料才能進行訓練。本計畫中我們將試圖發展以演化式群聚分析演算法為基礎的半監督式學習法則(Semi-supervised learning)，它的作法是在傳統非監督式法則的目標函數中併入了了少量的加標訓練資料之成本(cost)評估，以期能夠同時補強二種演算法的一些特定缺點。[[sponsorship]]行政院國家科學委員