文献

J-GLOBAL ID：201702241126639789   整理番号：17A1257638

多重自動エンコーダを用いた特徴選択【Powered by NICT】

Feature selection using multiple auto-encoders

著者 (3件)： Guo Xinyu (Department of Electrical Engineering and Computing Systems, University of Cincinnati, Cincinnati, OH, USA) ,  Minai Ali A. (Department of Electrical Engineering and Computing Systems, University of Cincinnati, Cincinnati, OH, USA) ,  Lu Long J. (Division of Biomedical Informatics, Cincinnati Children’s Hospital Research Foundation, Cincinnati, OH, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 4602-4609  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： 医用画像とセンサ測定のような実世界データは通常高次元で限られている。機械学習タスクにおけるそのようなデータセットを用いて直接貧弱な一般化につながる可能性がある。特徴学習は低次元を持つ高次元データ点を形質転換表現空間のための一般的な方法である。機械学習モデルは,そのような表現を用いて効率的に訓練することができた。本論文では,複数の訓練されたスパースオートエンコーダ(SAE)に基づく新しい特徴選択法について述べた。は非常に狭いの隠れ層を持つ多重ピンチSAEからの多様な,非冗長特徴を選択し,さらに特徴調整することなくより適当な大きさの分類器でこれらの特徴を用いる事によって動作する。方法の特徴学習能力は,手書き数字認識タスクで評価した。結果は,このタイプの特徴選択をソフトマックス分類器のための改良された表現を提供すること,およびピンチSAEを用いた規則的SAEと同等またはより良い結果をもたらすことを示した。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： 機械学習 ,  医用画像 ,  学習 ,  *多重化 ,  センサ ,  *符号器 ,  高次元 ,  *特徴選択
準シソーラス用語： 手書き数字認識 ,  学習能力 ,  隠れ層 ,  高次元データ ,  低次元 , 【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 (3件)： 多重 ,  エンコーダ ,  特徴選択