다중 예제 학습을 위한 차원 감소 알고리즘

다중 예제 학습은 각각의 예제들을 고려하지 않고 레이블이 되어 있는 가방들 (예제들의 집합)을 고려하는 방법이다. 포지티브로 레이블 되어있는 가방들은 참 포지티브 (true positive) 예제들과 거짓 포지티브(false positive) 예제들로 구성되어 있다. 반면에 네거티브로 레이블 되어 있는 가방들은 정확한 네거티브 예제들로 구성되어 있다. 각 포지티브 가방들 안에 예제들의 레이블이 정확하게 주어져 있지 않기 때문에 기존에 알려진 차원 감소 알고리즘을 그대로 적용하면 원하지 않은 투영 방향을 얻게 된다. 본 논문에서는 국소 피셔 판별 분석법 (LFDA)를 다중 예제 학습에 맞게 수정한 알고리즘을 소개한다. 제안한 알고리즘은 거짓 포지티브 예제들을 찾아서 네거티브 예제들로 바꾸기 위해 인용 (citation) 정보와 유사행렬을 결합한 방법이다. 인용 정보를 LFDA에 결합했기 때문에 이 알고리즘은 인용을 기반으로 한 LFDA (CLFDA)로 부르기로 하겠다. 제안한 알고리즘은 매우 간단하지만 다중예제 학습을 위한 최초의 차원 감소 알고리즘이라는 점에 의미가 있다. 다양한 벤치마크 데이터에서 실험결과를 바탕으로 CLFDA가 FLD와 LFDA보다 높은 성능을 보여주는 점을 확인할 수 있다.