文献

J-GLOBAL ID：201702248346264341   整理番号：17A0368821

特徴スパース化と予測のための2相マルチカーネルLP SVR【Powered by NICT】

Two-phase multi-kernel LP-SVR for feature sparsification and forecasting

著者 (4件)： Zhang Zhiwang (School of Information and Electrical Engineering, Ludong University, Yantai 264025, China) ,  Gao Guangxia (Shandong Institute of Business and Technology, Yantai 264005, China) ,  Tian Yingjie (Research Center on Fictitious Economy and Data Science, Chinese Academy of Sciences, Beijing 100190, China) ,  Yue Jue (School of Information and Electrical Engineering, Ludong University, Yantai 264025, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 214  ページ： 594-606  発行年： 2016年 
JST資料番号： W0360A  ISSN： 0925-2312  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： 回帰による予測は連続値の予測のための非常に重要な方法である。一般に,予測精度と信頼性を増加させるために,可能な限り多くの要因や特徴は回帰モデルと考えられ,添加されているが,しかし,これは貧弱な効率,精度,および解釈可能性をもたらした。に加えて,サポートベクトル回帰(SVR)に関連するいくつかの既存の方法は,通常,高い計算複雑性を持つ凸二次計画法問題を解くことが必要である。本論文では,前述の問題を解決するために,特徴スパース化および予測のための線形計画法(MK LP SVR)を用いた新しい二相マルチカーネルSVRを提案した。マルチカーネル学習法は主に特徴スパース化を行い,予測へのそれらの寄与を計算することにより重要な特徴を見出すために使用される全体モデルは,与えられた入力に対する出力値を予測するために使用することができた。シミュレーション,小型6,および6大データセットに基づいて,実験結果とSVR,線形計画法SVR(LP SVR),最小二乗SVR(LS SVR),多重カーネル学習SVR(MKL SVR)との比較は,著者らの提案したモデルは,独立した試験セットの回帰予測のためのかなり改良された予測精度と解釈可能性を持つことを示した。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： 最小二乗法 ,  二次計画法 ,  多重化 ,  線形計画法 ,  信頼性 ,  計算量 ,  回帰モデル ,  凸形 ,  *透視図法
準シソーラス用語： Kernel法 ,  マルチカーネル学習 ,  サポートベクトル回帰 ,  判断能力 ,  予測精度 , 【Automatic Indexing@JST】

著者キーワード (5件)： 予測 ,  マルチカーネル学習 ,  特徴スパース化 ,  線形計画法 ,  サポートベクトル回帰

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 予測 ,  マルチ ,  カーネル ,  LP ,  SVR