文献

J-GLOBAL ID：201702224450636464   整理番号：17A1257525

多重線形分類器の混合物に対する非局所情報【Powered by NICT】

Non-local information for a mixture of multiple linear classifiers

著者 (4件)： Li Weite (Graduate School of Information, Product and Systems, Waseda University, 2-7 Hibikino, Wakamatsu, Kitakyushu-shi, Fukuoka, Japan) ,  Liang Peifeng (Graduate School of Information, Product and Systems, Waseda University, 2-7 Hibikino, Wakamatsu, Kitakyushu-shi, Fukuoka, Japan) ,  Yuan Xin (Graduate School of Information, Product and Systems, Waseda University, 2-7 Hibikino, Wakamatsu, Kitakyushu-shi, Fukuoka, Japan) ,  Hu Jinglu (Graduate School of Information, Product and Systems, Waseda University, 2-7 Hibikino, Wakamatsu, Kitakyushu-shi, Fukuoka, Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 3741-3746  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： 機械学習分野で多くの問題に対して,データは非線形的に分布している。この種のデータを解決する1つの一般的な方法は,局所カーネルマシンまたはいくつかの局所線形モデルの混合物を訓練した。しかし,これらの方法は高電位データ分布を捕捉するために,各データサンプルの近傍関係のような局所情報に依存している。本論文では,非局所情報は,データ表現のためのより効率的であることを示した。winner-take-allオートエンコーダの実施により,いくつかの非局所テンプレートは,データ分布を追跡し,適切な量の異なる部分空間中の各サンプルを表現するために訓練した。分割統治方法で各部分空間のための線形モデルを訓練することにより,単一サポートベクトルマシンが,非線形分類問題を解くために定式化できる。実験結果は,非局所情報から多重線形分類器の混合物はよりも優れた性能または局所線形モデルの最新の混合物で少なくとも比肩可能であることを示した。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： 電位 ,  サポートベクトルマシン ,  機械学習 ,  データ表現 ,  *多重化 ,  定式化 ,  *線形性
準シソーラス用語： 部分空間 ,  線形モデル ,  カーネルマシン , 【Automatic Indexing@JST】

分類 (2件)： 制御工学一般  (IC01000V) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 分類器 ,  混合物