文献

J-GLOBAL ID：201602260950252439   整理番号：16A1403939

領域適応学習による次元縮小のための大局的および局所的測定基準の統合【Powered by NICT】

Integration of Global and Local Metrics for Domain Adaptation Learning Via Dimensionality Reduction

著者 (4件)： Jiang Min (Department of Cognitive Science and Technology and Fujian Key Laboratory of Brain-Like Intelligent Systems, Xiamen University, Xiamen, China) ,  Huang Wenzhen (Department of Cognitive Science and Technology and Fujian Key Laboratory of Brain-Like Intelligent Systems, Xiamen University, Xiamen, China) ,  Huang Zhongqiang (Department of Cognitive Science and Technology and Fujian Key Laboratory of Brain-Like Intelligent Systems, Xiamen University, Xiamen, China) ,  Yen Gary G. (School of Electrical and Computer Engineering, Oklahoma State University, Stillwater, OK, USA)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 47  号： 1  ページ： 38-51  発行年： 2017年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  資料種別： 逐次刊行物 (A)
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： 領域適応学習(DAL)では,様々な領域にわたるタスクを実行するかを調べた。本論文では,ドメイン適応化問題を解決するためにカーネル化局所-大域的アプローチを提案した。提案した方法の基本的な考え方は,領域(例えば,最大平均相違とクラス内距離)に関する大域的および局所的情報を考慮し,ドメイン適応化問題を変換カーネル法によるBiオブジェクト最適化問題にすることである。最適化問題の解は,異なるドメインの分布は大域的な意味でお互いに近づけられると考えられる潜在空間を同定する助けとなるであろうと,標識発生源試料の局所特性を保存するであろう。,古典的分類アルゴリズムは,ラベル付けされていない目標領域データ,発生源サンプルの有意差を認識するために使用することができる。解析に基づいて,四つの異なる源のデータを用いて提案したアルゴリズムを検証:合成,テキスト,物体,顔画像。実験結果は,提案した方法がDALアルゴリズムを改善するための妥当な手段を提供することを示した。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 ,  *次元縮小 ,  顔画像 ,  ビスマス ,  最適化問題
準シソーラス用語： テキスト ,  有意差 ,  分類アルゴリズム ,  発生源 ,  Kernel法 ,  カーネル化 ,  適応化 ,  *適応学習 , 【Automatic Indexing@JST】

分類 (3件)： その他のオペレーションズリサーチの手法  (KA03070E) ,  無線通信一般  (ND08010L) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 適応学習 ,  次元縮小 ,  統合