文献

J-GLOBAL ID：201702246686194160   整理番号：17A0828149

クラス事前変化の下での半教師つき十分次元縮小【Powered by NICT】

Semi-supervised sufficient dimension reduction under class-prior change

著者 (2件)： Kawakubo Hideko (Department of Computer Science, Tokyo Institute of Technology, Japan) ,  Sugiyama Masashi (RIKEN, Japan and The University of Tokyo, Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： TAAI  ページ： 146-153  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： 出力データに関する情報を最大限に維持される十分な次元縮小(SDR)は,教師つき次元縮小のための一般的なフレームワーク,入力データの次元を低減することを目的としている。一方,最近の多くの教師つき分類学習課題では,各クラスの試料のバランスは訓練と試験段階の間で変化することが考えられる。このような現象,クラス事前変化と称す)は,訓練データが高度に不均衡なときに特に好ましくない実行するために既存のSDR法原因となる。本論文では,ラベル付けされていない試験データがラベル付き訓練データに加えて利用できる半教師つき学習装置の下で,そのようなクラス事前変化に対応できる次元縮小(LSGDR)に対する最小二乗勾配と呼ばれる最新のSDR法を拡張した。実験を通して,筆者らは筆者らの提案手法の有用性を実証した。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： 最小二乗法 ,  *次元縮小
準シソーラス用語： 半教師つき学習 ,  試験データ ,  訓練データ ,  入力データ , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： クラス ,  教師 ,  次元縮小