文献

J-GLOBAL ID：201702252997641974   整理番号：17A0311703

UDSFS:教師なし深スパース特徴選択【Powered by NICT】

UDSFS: Unsupervised deep sparse feature selection

著者 (6件)： Cong Yang (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, China) ,  Wang Shuai (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, China) ,  Wang Shuai (University of Chinese Academy of Sciences, China) ,  Fan Baojie (College of Automation, Nanjing University of Posts and Telecommunications, China) ,  Yang Yunsheng (Chinese PLA General Hospital, China) ,  Yu Haibin (State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 196  ページ： 150-158  発行年： 2016年07月05日 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本論文では,教師なし特徴選択に焦点を当てた。は知られていたように,いくつかの特徴ユニット全体特徴ベクトルへの結合は,効果的な物体表現,いくつかの関連の無い/冗長な特徴単位または特徴次元を含む必然的に可能性があるのために採用されたいる。従来の特徴選択モデルの大部分は,異なる特徴単位間の本質的な関係の影響を特徴次元を選択できるだけである。L2 1最小化に基づく特徴次元と特徴単位のグループスパース性を考慮に入れることにより,新しい教師なし特徴選択モデル,本論文で教師なし深スパース特徴選択(UDSFS)を提案した。最先端と比較して,著者らのUDSFSモデルは最も識別力のある特徴を選択,有用な特徴次元への適切な量を同時にできる;さらに,UDSFSの効率性とロバスト性も捨て無関係な特徴を抽出することなく改善することができる。モデル最適化のために,非平滑,凸モデルを解き,O(1/K 2)(Kは反復数)として収束速度をもつ大域最適化を得るための効率的な反復アルゴリズムを導入した。実験のために,異常内視鏡画像検出データセット(AEID),新しい医療内視鏡画像データセットを評価のために構築した;も二の公開UCIデータ集合を用いてこのモデルを試験した。他の最先端を持つ種々の実験と比較により,提案UDSFSモデルの有効性と効率性を正当化した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 情報公開 ,  最適化 ,  計算機診断 ,  *透視図法 ,  凸形 ,  *特徴選択 ,  ロバスト性 ,  機械学習
準シソーラス用語： 内視鏡画像 ,  反復アルゴリズム ,  大域的最適化 ,  収束速度 ,  スパース性 ,  特徴ベクトル , 【Automatic Indexing@JST】

著者キーワード (5件)： 深層スパース ,  特徴選択 ,  機械学習 ,  グループスパース性 ,  コンピュータ支援診断

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 教師 ,  特徴選択