Unsupervised Learning Frameworks Using Kernel Based Representations

Abstract

En este trabajo se proponen algunos esquemas de aprendizaje no supervisado usando representaciones basadas en Kernel. Nuestra meta es revelar apropiadamente estructuras relevantes en datos. Por lo tanto, proponemos una técnica que aproveche conocimiento previo por parte de un usuario, mejorando el desempeño de agrupamiento. Además, proponemos un esquema general capaz de resaltar patrones relevantes en los datos de entrada por medio de una compensación entre dos transformadores. Finalmente, proponemos una estrategia para la selección automática de parámetros haciendo uso de funciones de similitud/disimilitud y análisis de relevancia para revelar estructuras locales y globales en los datos para tareas de aprendizaje no supervisado, mejorando el desempeño en etapas posteriores de aprendizaje no supervisado

In this work, some unsupervised learning frameworks using kernel based representations are proposed. Our goal is to properly reveal relevant data structures. Therefore, we propose a technique which takes advantage of user prior knowledge, improving clustering performance. Besides, we propose a general scheme able to highlight relevant input data patterns by means of a compensation between two mapping functions. Finally, we propose a automatic parameter selection strategy by using complementary similarity/ dissimilarity functions and relevance analysis to reveal the intrinsic local and global data structures for unsupervised learning tasks, enhancing the performance in further unsupervised learning stages