文献

J-GLOBAL ID：201702254498392758   整理番号：17A0472981

超グラフは正則化されたスパース特徴学習【Powered by NICT】

Hypergraph regularized sparse feature learning

著者 (4件)： Liu Mingxia (School of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing, China) ,  Zhang Jun (School of Life Science and Technology, Xidian University, Xian, Shaanxi, China) ,  Guo Xiaochun (School of Information Science and Technology, Taishan University, Taian, China) ,  Cao Liujuan (Department of Computer Science, School of Information Science and Engineering, Xiamen University, Xiamen, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 237  ページ： 185-192  発行年： 2017年 
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： 多くの機械学習とパターン認識ドメインにおける重要な前処理段階として,特徴選択は,コンパクトなデータ表現のための最も判別特徴を同定するdeems。典型的な特徴選択法として,l_1ノルムベース正則化を用いたLassoとその変種は,近年多くの注目を集めている。しかし,既存のl_1ノルムに基づくスパース特徴選択法の大部分はデータの構造情報を無視するあるいは試料間のペアワイズ関係のみを検討した。本論文において筆者らは,超グラフ正則化スパース特徴学習法,試料間の高次関係をモデル化し,取り込まれた学習プロセスの中にを提案した。具体的には,最初の試料間の高次関係,続いて超グラフラプラシアン行列の計算を得るために複数超辺による超グラフを構築した。,超グラフ正則化項,超グラフ正則化Lassoモデルを提案した。UCI機械学習リポジトリからの多くのデータセットと二つの実世界神経画像に基づく分類タスクに関する一連の実験を行った。実験結果は,提案した方法が有望な分類結果を達成し,いくつかの良く知られた特徴選択手法と比較してことを示した。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： 機械学習 ,  データ表現 ,  *正則化 ,  パターン認識 ,  ノルム ,  *透視図法 ,  リポジトリ ,  前処理 ,  モデリング ,  *学習 ,  特徴選択 ,  *超グラフ
準シソーラス用語： ニューロイメージング ,  学習過程 , 【Automatic Indexing@JST】

著者キーワード (4件)： 特徴選択 ,  Hypergraph ,  スパース ,  分類

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)： グラフ ,  正則化 ,  学習