文献

J-GLOBAL ID：201502239601751781   整理番号：15A0375586

DECORATEアンサンブル学習アルゴリズム有効性の実験的マージン説明

An empirical margin explanation for the effectiveness of DECORATE ensemble learning algorithm

著者 (3件)： SUN Bo (Coll. of Computer Sci. and Technol., Nanjing Univ. of Aeronautics and Astronautics, 29 Yudao Street, Nanjing 210016, CHN) ,  CHEN Haiyan (Coll. of Computer Sci. and Technol., Nanjing Univ. of Aeronautics and Astronautics, 29 Yudao Street, Nanjing 210016, CHN) ,  WANG Jiandong (Coll. of Computer Sci. and Technol., Nanjing Univ. of Aeronautics and Astronautics, 29 Yudao Street, Nanjing 210016, CHN)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 78  ページ： 1-12  発行年： 2015年04月 
JST資料番号： T0426A  ISSN： 0950-7051  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： ここ20年の間に,いくつかの成功したアンサンブル学習アルゴリズム,特に,Bagging,Adaboost,DECORATEなど,が提案された。これら全ては,ダイバーシティベース組み合わせを採用しているものの,最初の2つのアルゴリズムは元の学習集合を操作することにより生成され,最後のものは人工学習例を用いて元の学習集合を拡大し,Adaboostよりも強い雑音耐性と,BaggingやAdaboostよりも特徴の欠損に優れた耐性を示す。DECORATEの有効性をより良く理解するために,バイアス-分散理論視点からの研究が既になされている。しかし,この理論は,より多くの基本分類器を加えることにより汎化性能を継続的に向上させるが分散を増大させるAdaboostの有効性の説明に失敗している。知られているように,マージン理論はアンサンブル学習有効性を説明できるもう1つの重要な手段である。最近の研究はAdaboostの有効性説明に成功している。マージン理論に刺激されて,本論文では,DECORATEの有効性をこの視点から実験的に分析することを,15個の標準データセット上での実験を行い,試みた。マージン理論はDECORATEの有効性をうまく説明できることを見出した。バイアス-分散ベース分析との一致から,マージン理論はアンサンブル学習有効性のより一般的な分析ツールとして広範囲に利用可能であるのみならず,効果的なアンサンブル設計への最適化目的としても使用できることを示す。Copyright 2015 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.

シソーラス用語： *機械学習 ,  データ融合 ,  *特徴抽出 ,  特徴選択 ,  学習アルゴリズム ,  学習機械 ,  人工知能システム ,  多様性 ,  ハイブリッド方式 ,  雑音安定度 ,  知識獲得
準シソーラス用語： AdaBoost ,  AdaBoostアルゴリズム ,  アンサンブル学習 ,  雑音耐性 ,  実験的解析 ,  汎化【人工知能】

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 (5件)： アンサンブル ,  学習アルゴリズム ,  有効性 ,  実験 ,  説明