Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, 2025, т. 8, № 3, с. 101-109
Методы извлечения признаков, основанные на традиционной статистике и глубоком обучении
Аннотация · Abstract
В статье представлен теоретический и практический сравнительный анализ четырёх важных методов, связанных с извлечением признаков и сокращением размерности: дискриминантного анализа Фишера (FDA), канонического корреляционного анализа (CCA), глубокого канонического корреляционного анализа (DCCA) и глубокого многомножественного канонического корреляционного анализа (DMCCA). Подробно рассмотрены теоретические основы, преимущества и недостатки каждого метода. Кроме того, приведены возможности их применения в различных областях. Анализ показывает, что FDA эффективно используется при обучении с учителем, тогда как CCA является важным инструментом для изучения взаимосвязей между двумя источниками. DCCA расширяет классические подходы с помощью глубокого обучения, позволяя выявлять нелинейные структуры. В свою очередь, DMCCA формирует общее латентное представление для многoисточниковых данных и демонстрирует высокую эффективность в современных системах искусственного интеллекта.
Сведения · Details
- DOI 10.62132/ijdt.v8i3.293
- Журнал · Journal Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий
- Язык · Language русский
- Цитирования (Crossref) · Citations 0
- Лицензия · License creativecommons.org/licenses/by/4.0