文献

J-GLOBAL ID：201702245894555636   整理番号：17A0408765

固有ベクトルによる大域的および局所的な計量学習【Powered by NICT】

Global and local metric learning via eigenvectors

著者 (4件)： Li Dewei (School of Mathematical Sciences, University of Chinese Academy of Sciences, Beijing 100049, China) ,  Li Dewei (Research Center on Fictitious Economy and Data Science, Chinese Academy of Sciences, Beijing 100190, China) ,  Tian Yingjie (Research Center on Fictitious Economy and Data Science, Chinese Academy of Sciences, Beijing 100190, China) ,  Tian Yingjie (Key Laboratory of Big Data Mining and Knowledge management, Chinese Academy of Sciences, Beijing 100190, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 116  ページ： 152-162  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： 距離計量は,機械学習法(分類,クラスタ化,など)における重要な役割,特にk最近傍分類法(kNN),Euclid距離は不明な点のラベルを決定する計算することを果たしている。しかしEuclid距離が異なる入力の類似性を測定するために役立つであろう,統計的構造を無視している。本論文では,データ依存計量を学習するために,二固有値関連手法を含む,統一されたフレームワークを構築した。両方法はクラス内距離とクラス間距離の差を最大にすることを目的としているが,最適化は,それぞれ全体像と局所的視野で考察した。計量学習における以前の研究とは異なり,提案手法では,クラス間距離とクラス内距離の間の平衡を求める直線,計量から分解した線形変換は計量の代わりに直接最適化すべきである。は効果的に変換された空間におけるデータ分布を調整し,kNN分類のための有利な領域を構築することができる。問題を固有値分解により簡単に解き,半正定値計画法よりもはるかに高速であることができる。トップ固有値を選択した後,元のデータを低次元空間に投影でき,より効率的に分類を軽減または除去するであろう重要情報。これは,著者らの新しい方法は,計量学習および次元縮小を同時に可能にした。異なる観点からの数値実験は,著者らの手法はkNN分類の精度を改善し,競争力のある性能による次元縮小を行うことができることを確認した。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： クラスタ化 ,  次元縮小 ,  固有値 ,  *学習 ,  最適化 ,  距離計 ,  一次変換 ,  機械学習 ,  類似性 ,  *固有ベクトル
準シソーラス用語： 数値実験 ,  半正定値計画法 ,  固有値分解 ,  Euclid距離 ,  分類法 , 【Automatic Indexing@JST】

著者キーワード (4件)： メトリック学習 ,  全体的および局所的な ,  次元縮小 ,  分類

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 固有ベクトル ,  計量 ,  学習