抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
分類のためのロジスティック回帰(LR)は産業における働き者であり,予め定義されたクラスのセットが必要である。が,モデルは,クラスラベルが事前に知られている,ラベルドリフト分類と名付けた問題ではない場合に機能しない。入力データは,以前に見られなかった新しいクラスを持つ分類試料に存在すると思われるラベルドリフト分類問題は,多くの応用で起こり,特に流動環境の枠内で自然に。さらに,ビッグデータの波においては,従来のLR法は実行時間の高価なために失敗する可能性がある。本論文では,LRの新規変異体,すなわちワンパスロジスティック回帰(OLR)はラベルドリフトと大規模分類のための理にかなった治療を提供することを提案した。ビッグデータのための大規模分類を処理するために,並列化のための分散環境,発泡OLR(火花OLR)と呼ばれるにOLRを拡張した。一億以上のデータ点を伴う大規模データセット上で提案手法のスケーラビリティを実証した。実験結果は,著者らの方法の予測性能は最先端のベースラインのそれと同等orbetter一方executiontimeは大きさの順ではるかに高速であることを示した。さらに,OLRとスパークOLRデータシャッフリングに対して不変とデータ実務者に利益をもたらすことを調整するためのハイパーパラメータ持たず,ビッグデータ最適ハイパーパラメータを選択断面validationtoの呪いを克服した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】