抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
与えられたデータはカテゴリーの訓練データに属するかどうかを決定することを目的とした,新規性検出は,パターン認識,機械学習などの領域における重要かつ挑戦的な問題であると考えられている。最近,カーネルヌル空間法(KNDA)は新規性検出における最先端技術の性能を有することが報告された。KNDAはその高い計算コストのためにスケールアップすることが困難である。データへの常に増加するサイズで,KNDAの実行速度を加速する望まれると重要である。を連続的に注入されたデータが存在する場合にはできなかった。これらの問題を解決するために,インクリメンタルカーネルヌル空間ベース判別分析(IKNDA)アルゴリズムを提案した。鍵となるアイデアは,新たに添加した試料によってもたらされた新しい情報を抽出し,効率的な更新方式による既存モデルとを統合することである。二公開利用可能データセット上で行った実験は,提案したIKNDAはバッチKNDAはまだ計算の複雑さを減少させる有意に匹敵する性能が得られ,著者らのIKNDAベース新規性検出法は,深いニューラルネットワーク(DNN)分類器を用いたアプローチよりも優れていることを実証した。これは大規模データのための新規性検出における技術の状態に対するIKNDAの優位性を検証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】