文献

J-GLOBAL ID：201702229518205420   整理番号：17A0238778

放電を用いたサンプリングに基づく分散カーネル平均マッチング【Powered by NICT】

Sampling-based distributed Kernel mean matching using spark

著者 (6件)： Haque Ahsanul (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Wang Zhuoyi (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Chandra Swarup (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Gao Yupeng (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Khan Latifur (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Aggarwal Charu (IBM T. J. Watson Research Center, Yorktown, NY, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： Big Data  ページ： 462-471  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 教師つき情報へのアクセス制限は実世界データマイニングアプリケーションにおけるシナリオを,訓練と試験データを共変量シフト,すなわち,不等共変量分布を持つ等しいクラス条件付き分布を持つことにより相互に連結されている。伝統的データマイニング技術を訓練と試験データの両方は同じ分布を持っており,従って共変量シフトの存在下で受けることを仮定した。カーネル平均マッチング(KMM)を適切に訓練インスタンスを重量測定により共変量シフトに対処する良く知られた手法である。しかし,訓練データの大きさの時間複雑性立方晶,限られたスケーラビリティによる大きなあるいはストリーミングデータセットに対して計算的に実用的であった。本論文では,KMMの限られたスケーラビリティ問題を解決するために,サンプリングベースのアルゴリズムを提案した。さらに,アプローチは高度に並列化可能であり,従って,訓練インスタンスウエイトスパークを用いて効率的に推定するための分散アルゴリズムを提案したことを示した。ベンチマークデータセット上での実験結果により,提案アプローチではKMMアルゴリズムに比べてはるかに低い実行時間内での競争的推定精度を達成することを示した。さらに,訓練データの大きなサイズは,提案した方法の実行時間への影響を最小化しより高い精度をもたらすことを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *マッチング ,  アルゴリズム ,  重量測定 ,  分散アルゴリズム ,  放電
準シソーラス用語： 推定精度 ,  実行時間 ,  複雑性 ,  訓練データ ,  共変量 ,  試験データ , 【Automatic Indexing@JST】

分類 (3件)： 計算機網  (JC03000K) ,  自然語処理  (JE06000L) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 放電 ,  サンプリング ,  カーネル ,  平均 ,  マッチング