文献

J-GLOBAL ID：201702263666981275   整理番号：17A0369074

Renyiを用いたカーネルに基づく次元縮小は類似のα-エントロピー測度【Powered by NICT】

Kernel-based dimensionality reduction using Renyi’s α-entropy measures of similarity

著者 (4件)： Alvarez-Meza A.M. (Signal Processing and Recognition Group, Universidad Nacional de Colombia, Manizales, Colombia) ,  Lee J.A. (Machine Learning Group - MLG, Universite Catholique de Louvain, Louvain-la-Neuve, Belgium) ,  Verleysen Michel (Machine Learning Group - MLG, Universite Catholique de Louvain, Louvain-la-Neuve, Belgium) ,  Castellanos-Dominguez G. (Signal Processing and Recognition Group, Universidad Nacional de Colombia, Manizales, Colombia)
資料名： Neurocomputing  (Neurocomputing)
巻： 222  ページ： 36-46  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： 次元縮小(DR)は,低次元(LD)表現空間における高次元(HD)データの顕著な特性を明らかにすることである。二元素は,DRアプローチの成功を規定:HDおよびLD空間におけるペアワイズ関係の概念の定義,データのHDとLD表現におけるこれらの関係間の不整合を測定した。本論文では,確率的近傍保存に基づいて,RenyiのエントロピーのGram行列推定含んでいることを埋め込み品質を測定するために,カーネルに基づくエントロピー次元縮小(KEDR)と呼ばれる,新しいDR方法を導入した。提案した方法は,情報理論的学習のためのデータ駆動型フレームワーク,無限に分割可能なマトリックスに基づいている。規則的Renyiのエントロピーに依存する代わりに,KEDRも発散のパラメータ化された混合物による埋め込み不整合を計算し,局所及びグローバルデータ構造の改善された保存をもたらした。我々のアプローチは,人工的および実世界データセットの両者の上で検証し,いくつかの最先端アルゴリズムと比較して,DR法はデータ駆動型拡張(カーネルGram行列の観点から)である確率的近傍埋込みのような技術を含む。目視検査と近傍保存の定量的評価の観点から,得られた結果は,KEDRは競争的で有望なDR方法であることを示した。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： データ構造 ,  高次元 ,  学習 ,  *エントロピー ,  アルゴリズム ,  不整合 ,  *測度 ,  パラメタリゼーション ,  肉眼検査 ,  情報理論 ,  *次元縮小
準シソーラス用語： Kernel法 ,  定量的評価 ,  データ駆動 ,  低次元 , 【Automatic Indexing@JST】

著者キーワード (3件)： 次元縮小 ,  カーネル法 ,  Renyiのエントロピー

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： カーネル ,  次元縮小 ,  類似 ,  エントロピー ,  測度