文献

J-GLOBAL ID：201702240805603255   整理番号：17A1257076

崩壊バッグを用いたマルチインスタンス分類のためのメトリック学習【Powered by NICT】

Metric learning for multi-instance classification with collapsed bags

著者 (4件)： Li Dewei (School of Mathematical Sciences, University of Chinese Academy of Sciences, Beijing 100049, China) ,  Xu Dongkuan (School of Mathematical Sciences, University of Chinese Academy of Sciences, Beijing 100049, China) ,  Tang Jingjing (School of Mathematical Sciences, University of Chinese Academy of Sciences, Beijing 100049, China) ,  Tian Yingjie (Research Center on Fictitious Economy & Data Science, Chinese Academy of Sciences, Beijing 100190, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 372-379  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： 機械学習における一般的な問題の一種として,マルチインスタンスタスクは,多くの古典的な方法を用い,kNN,SVMなどにより研究されてきた。kNN分類のために,伝統的なタスク上でその性能を計量学習,同様の例は近いと縁による異種例を分離するためのデータ依存計量に対する求めるによって促進することができる。マルチインスタンス問題における袋間の距離を定義し,問題のための適切な学習計量はもちろんへの挑戦である。本論文では,マルチインスタンス分類のための新しいアプローチを提案し,埋め込まれたメトリック学習の考え方。新しい種類の距離のバッグ間の類似性を測定した。バッグからの冗長な情報を弱め,計算の複雑さを低減するために,その対応するクラスタ重心と各事例を置換することにより崩壊した袋を得るために実行したk-平均法。メトリック学習の目的は,クラス間バッグ距離と収縮クラス内バッグ距離を拡大し,最大相対距離を持つ最適化問題の構築へ導くことである。Kernel関数は,入力からの非線形情報を抽出するためにモデルに導入できる。勾配降下を用いて問題を効果的に解決した。人工データセットとベンチマークデータ集合での数値実験は,この方法がkNNとマルチインスタンス分類における最先端技術の手法と同等比肩可能な性能を得ることができることを示した。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： 重心 ,  類似性 ,  ベンチマーク ,  計算量 ,  機械学習 ,  クラスタ ,  最適化問題 ,  *学習
準シソーラス用語： 数値実験 ,  Kernel関数 ,  相対距離 ,  k-means法 ,  *メトリック学習 , 【Automatic Indexing@JST】

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 (6件)： 崩壊 ,  バッグ ,  マルチ ,  インスタンス ,  分類 ,  メトリック学習