文献

J-GLOBAL ID：201702222789280263   整理番号：17A1257261

manifolcモデルと接線距離学習に基づく分類における転移学習【Powered by NICT】

Transfer learning in classification based on manifolc. models and its relation to tangent metric learning

著者 (2件)： Saralajew Sascha (Electr./Electronics Eng. - Driver Assistance Platform/Systems, Weissach, Germany) ,  Villmann Thomas (University of Applied Sciences Mittweida, Computational Intelligence Group, Mittweida, Germany)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 1756-1765  発行年： 2017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： 分類のための転移学習の実現を扱った,すなわち変化データ分布に分類器モデルの適応。この変化はデータドリフトまたはより複雑な変換することができた。データの連続変換を記述する多様体によるそれらのデータ変化をモデル化することを提案した。この記述はこれまで考慮さ関数に基づく移動モデルの一般化と見なすことができる。伝達関数の多様体記述は,元のデータ空間に変化したデータ分布またはデータの逆転移に分類器モデルを調整するためのどちらかを可能にする。アプローチが実行可能で得るために,マニホールドを多様体構造のTaylor展開のアフィン部分により近似した。さらに,アフィン近似は正接計量学習,分類法におけるドリフトを持つデータの取り扱いのために開発されたへの数学的対応を示した。多様体ベース伝達データ学習のための数学的背景を提供した。さらに,本手法は,一般化学習ベクトル量子化分類器のための適用例である。分類器複雑さが深い学習アーキテクチャまたはサポートベクトルマシンのようなより洗練されたアプローチと比較して低いが,この分類器は高い性能とロバスト挙動を達成ししばしば顕著な方法である。さらに,学習ベクトル量子化分類器の良好な解釈可能性も転移学習の直観的かつ実践的理解に寄与する。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： 伝達関数 ,  近似法 ,  多様体 ,  計算機アーキテクチャ ,  *学習 ,  モデリング ,  サポートベクトルマシン ,  マニホールド ,  ロバスト性 ,  Taylor展開
準シソーラス用語： 判断能力 ,  複雑性 ,  学習ベクトル量子化 ,  分類法 ,  *転移学習 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： モデル ,  接線 ,  学習 ,  分類 ,  転移学習