文献

J-GLOBAL ID：201702221729065047   整理番号：17A0473811

効率的な局所性はグラフに基づく学習のためのスパース表現を強調【Powered by NICT】

Efficient locality weighted sparse representation for graph-based learning

著者 (4件)： Feng Xiaodong (School of Political Science and Public Administration, University of Electronic Science and Technology of China, Chengdu, Sichuan 611731, China) ,  Wu Sen (Donlinks School of Economics and Management, University of Science and Technology Beijing, Beijing 100083, China) ,  Zhou Wenjun (Business Analytics and Statistics, University of Tennessee, Knoxville, TN 37996, USA) ,  Quan Min (Donlinks School of Economics and Management, University of Science and Technology Beijing, Beijing 100083, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 121  ページ： 129-141  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： データオブジェクト間の構造を表現するためにグラフを構築グラフベース学習を用いた種々のデータマイニングタスクにおいて基本的な役割を果たしている。の伝統的なペアワイズ距離ベースグラフ構築が雑音や異常値に対して敏感なので,スパース表現に基づくグラフ(例えば,l_1グラフ)は文献で提案されている。l_1グラフは多くのグラフベース学習タスクのための証明した強力でロバストなが,それは弱い局所性と高い計算コストに悩まされている。本論文では,局所重み付きスパース表現(LWSR),データオブジェクト間の局所性構造と計算時間の顕著な短縮の良好な保存を目指すを提案した。LWSRはその最隣接のスパースな線形結合として各物体を近似し,ターゲットオブジェクトへの距離によるそれらの対応する係数の重みづけを行う。実験結果はLWSRグラフに基づく学習手法がグラフベース学習の有効性と効率の最先端レベル手法よりも性能的に優れていることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 異常値 ,  ロバスト性 ,  重みづけ ,  *学習 ,  雑音 ,  CPU時間 ,  *局所性
準シソーラス用語： 線形結合 ,  計算コスト ,  *スパース表現 , 【Automatic Indexing@JST】

著者キーワード (4件)： スパース表現 ,  局所性保存 ,  グラフに基づく学習 ,  グラフ構築

分類 (2件)： 人工知能  (JE08000Z) ,  グラフ理論基礎  (IA02020S)

タイトルに関連する用語 (4件)： 局所性 ,  グラフ ,  学習 ,  スパース表現