文献

J-GLOBAL ID：201202245286138721   整理番号：12A0929580

アンサンブル多様体正則化

Ensemble Manifold Regularization

著者 (5件)： GENG Bo (Peking Univ., Beijing, CHN) ,  TAO Dacheng (Univ. Technol., Sydney, NSW, AUS) ,  XU Chao (Peking Univ., Beijing, CHN) ,  YANG Linjun (Microsoft Res. Asia, Beijing, CHN) ,  HUA Xian-Sheng (Microsoft, WA)
資料名： IEEE Transactions on Pattern Analysis and Machine Intelligence  (IEEE Transactions on Pattern Analysis and Machine Intelligence)
巻： 34  号： 6  ページ： 1227-1233  発行年： 2012年06月 
JST資料番号： B0519B  ISSN： 0162-8828  CODEN： ITPIDJ  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多様体正則化に基づく半教師あり学習は,ラベルなし標本も扱える学習アルゴリズムとして期待されるが,そのハイパーパラメータの推定が面倒である。本論文では,こうした問題を克服するため,アンサンブル多様体正則化の枠組を提案する。固有多様体の自動的近似と半教師あり学習を結び付ける枠組であり,自動的かつ暗黙のうちに多様体正則化のハイパーパラメータを推定できる。複合多様体と半教師あり学習器を同時に学習できる。また,緩い仮定の下で多様体の初期推定をいくつか与えることで,それらを結び付けて固有多様体に対する条件付き最適な推定が得られる。さらに,ハイパーパラメータの選択に交差検定を必要とせず,疎らなグラフ構造を扱うため,候補ハイパーパラメータ数に対してスケーラブルである。分類や回帰などの一般的な機械学習への応用として,サポートベクトルマシンや正則化最小二乗法での応用を示す。人工的及び実際のデータセットを用いた実験により提案した枠組の有効性を示す。

シソーラス用語： *機械学習 ,  *多様体 ,  正則化 ,  集合 ,  パラメータ ,  確率モデル ,  統計的推定 ,  構造 ,  グラフ ,  スケーラビリティ【計算機】 ,  学習アルゴリズム ,  サポートベクトルマシン ,  最小二乗法
準シソーラス用語： アンサンブル ,  グラフ構造 ,  ハイパーパラメータ ,  正則化最小二乗法 ,  *多様体学習 ,  多様体正則化 ,  *半教師あり学習

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (3件)： アンサンブル ,  多様体 ,  正則化