文献

J-GLOBAL ID：201702216410015398   整理番号：17A0755774

インクリメンタル2型メタ認知極値学習機械【Powered by NICT】

An Incremental Type-2 Meta-Cognitive Extreme Learning Machine

著者 (4件)： Pratama Mahardhika (La Trobe University, Melbourne, VIC, Australia) ,  Zhang Guangquan (School of Software, University of Technology Sydney, Sydney, NSW, Australia) ,  Er Meng Joo (School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore) ,  Anavatti Sreenatha (School of Engineering and Information Technology, University of New South Wales, Canberra, ACT, Australia)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 47  号： 2  ページ： 339-353  発行年： 2017年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 既存極端学習アルゴリズムは,四つの問題を考慮していない1)複雑さ2)不確実性3)概念ドリフトおよび4)高次元性。進化する2型ELM(eT2ELM)と呼ばれる新しい増分2型メタ認知極端学習機械(ELM)は,この論文で四つの問題に対処するために提案した。eT2ELMはヒトメタ認知の三本柱を紹介した1)ものと学習2)どのように学習および3)時学習し,どのように。ものと学習成分はオンライン確実性に基く能動学習法のため,半教師つき分類器としてeT2ELMをするによるモデル更新のための重要な訓練サンプルを選択する。に学習要素は,極端学習理論と進化する概念間の相乗作用を開発し,隠れノードを発生させ,隠れノードの同調を持つデータストリームから自動的に枝刈りできない。時学習し,どのように成分は標準試料保存戦略を利用した。出力ノードのChebyshev級数のサブセットを利用しながら一般化区間タイプ2ファジィニューラルネットワークも認知成分,隠れノードは区間タイプ2多変量Gauss関数上に構築されているとして提案した。提案eT2ELMの有効性は,様々な概念ドリフトを含む12データストリームで検証した。数値結果は,徹底した統計的検定により確認した,eT2ELMは信頼できる予測を送達する最も有望な数値結果を示したが,低複雑性を維持しながら。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 不確実性 ,  *学習機械 ,  ドリフト ,  ヒト ,  部分集合 ,  相乗作用 ,  *学習 ,  学習アルゴリズム ,  ファジィニューラルネットワーク ,  高次元 ,  確実性 ,  エクストリームラーニングマシン
準シソーラス用語： データストリーム ,  能動学習 ,  極度学習機械 ,  *メタ認知 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (3件)： メタ認知 ,  極値 ,  学習機械