文献

J-GLOBAL ID：201702266821840263   整理番号：17A0279113

迅速極端な検証潜在性下での学習:高速は構成【Powered by NICT】

Learning under extreme verification latency quickly: FAST COMPOSE

著者 (3件)： Umer Muhammad (Rowan University, USA) ,  Frederickson Christopher (Rowan University, USA) ,  Polikar Robi (Rowan University, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： SSCI  ページ： 1-8  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： 計算知能のより挑戦的な実世界問題の一つは,非定常ストリーミングデータ,概念ドリフトとしても知られているから学習することである。-小集合初期ラベル付きデータの後-データストリームにはラベル無しデータのみから構成されている場合でもこのシナリオのより挑戦的なバージョンである。このようなシナリオは,典型的には,最初に標識した非定常環境における学習と呼ばれている,あるいは極端な検証潜時(EVL)として単純化した。著者らの以前の研究では,このタイプの環境で良く動作し,データ分布は,限られたドリフトを経験することを提供するフレームワーク,COMPOSE(COMPactedオブジェクト試料抽出)を述べた。COMPOSEの背後にある中心前提は,炉心支持抽出,α形または密度推定は各クラスのための特徴空間の中心にある典型的にコア担体-最も代表的なインスタンスを抽出将来時間ステップにおけるラベル付きデータとして使用されるのに使用される。が,このプロセスが計算されている高次元データのための特に非常に高価である。本論文では,炉心支持抽出無しに作動するようにアルゴリズムを可能にするCOMPOSEの改造について述べる。FASTはCOMPOSE新しいアルゴリズムと呼ぶ。いくつかのデータセットは,元のCOMPOSE,SCARGC(EVLに対処することができることを他のアルゴリズム)を用いた高速COMPOSEの性能を比較し,精度と実行時間の両方に使用されている。得られた結果は,高速COMPOSEを使用することの有望な可能性を示した。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： アルゴリズム ,  ドリフト ,  キャリア ,  人工知能 ,  簡素化 ,  *学習 ,  *高速度
準シソーラス用語： 実行時間 ,  高次元データ ,  時間ステップ ,  特徴空間 ,  データストリーム ,  非定常性 , 【Automatic Indexing@JST】

分類 (4件)： ロボットの運動・制御  (IC04012J) ,  計算機システム開発  (JD02010R) ,  人工知能  (JE08000Z) ,  研究開発  (SA01040R)

タイトルに関連する用語 (3件)： 検証 ,  潜在性 ,  学習