文献

J-GLOBAL ID：201702261467853014   整理番号：17A0071183

効率的確率的塊模型学習アルゴリズムを提案した。【JST・京大機械翻訳】

Fast Learning Algorithm for Stochastic Blockmodel

著者 (3件)： Zhao Xuehua (School of Digital Media, Shenzhen Institute of Information Technology) ,  Yang Bo (College of Computer Science and Technology, Jilin University, Key Laboratory of Symbolic Computation and Knowledge Engineer, Ministry of Education) ,  Chen Hechang (College of Computer Science and Technology, Jilin University, Key Laboratory of Symbolic Computation and Knowledge Engineer, Ministry of Education)
資料名： Ruanjian Xuebao  (Ruanjian Xuebao)
巻： 27  号： 9  ページ： 2248-2264  発行年： 2016年 
JST資料番号： C2542A  ISSN： 1000-9825  CODEN： RUXUEW  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： ランダムブロックモデルは,事前知識を持たないネットワークを効果的に扱うことができるので,機械学習,ネットワークデータマイニング,社会ネットワーク分析などの分野における研究ホットスポットになっている。モデル選択能力を有する高速ランダム塊模型学習アルゴリズムをどのように設計するかは、現在ランダムブロック模型研究が直面しているいくの主要な挑戦である。本論文は,ランダムブロックモデルとその高速学習アルゴリズムを提案した。提案したモデルは,提案したモデルと最小メッセージ長さに基づく新しいコスト関数を導き出し,期待値最大化パラメータ推定法を利用して,確率的塊模型学習の時間複雑性を低減した。人工ニューラルネットワークと実際のネットワークを用いて,学習時間と学習精度の観点から,提案した学習アルゴリズムを検証し,既存の代表的ランダム学習アルゴリズムと比較した。実験結果は以下を示す。提案したアルゴリズムは,学習精度を維持することによって時間複雑性を著しく減少させることができて,学習精度と時間の間で良いトレードオフを得ることができた。いかなる事前知識もない場合、処理可能なネットワーク規模は数百ノードから数万ノードまで向上する。また、ネットワークリンク予測の実験により、提案したモデルと学習アルゴリズムは既存のランダムブロックモデルと学習方法より優れた汎化能力を有することを示した。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 汎化 ,  機械学習 ,  高速度 ,  *学習アルゴリズム ,  *学習 ,  *アルゴリズム ,  費用関数 ,  ホットスポット ,  パラメータ推定 ,  ネットワーク
準シソーラス用語： 学習時間 ,  複雑性 ,  EMアルゴリズム ,  モデル選択 ,  事前知識 , 【Automatic Indexing@JST】

著者キーワード (5件)： network oriented data mining ,  social network analysis ,  stochastic block model ,  model selection ,  link prediction

分類 (2件)： 人工知能  (JE08000Z) ,  水源,取水,送水,配水,給水  (SC02020I)

タイトルに関連する用語 (5件)： 確率 ,  塊 ,  模型 ,  学習アルゴリズム ,  提案