文献

J-GLOBAL ID：201702245754383425   整理番号：17A0448222

反復再荷重最小二乗法を用いた回帰のためのロバスト正則化エクストリーム学習機械【Powered by NICT】

Robust regularized extreme learning machine for regression using iteratively reweighted least squares

著者 (4件)： Chen Kai (National Laboratory for Parallel and Distributed Processing, National University of Defense Technology, Changsha, China) ,  Lv Qi (National Laboratory for Parallel and Distributed Processing, National University of Defense Technology, Changsha, China) ,  Lu Yao (College of Computer, National University of Defense Technology, Changsha, China) ,  Dou Yong (National Laboratory for Parallel and Distributed Processing, National University of Defense Technology, Changsha, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 230  ページ： 345-358  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 回帰のための極端学習機械(ELM)は,その容易な実装,高速学習速度と優れた汎化性能のために多くの分野で使用されてきた。l_2ノルム損失関数と基本的なELMの異常値に敏感である。l_1ノルム損失関数およびHuber損失関数はロバスト性を強化するためのELMに使用されている。l_1ノルム損失関数およびHuber損失関数も誤差との線形相関のために,異常値により達成できる。さらに,既存のロバストなELM法はl_2ノルム正則化のみを用いるまたは正則化項を持っていない。本研究では,反復再重み付け最小二乗(IRLS)を用いたロバストな正則化ELM回帰のための統一モデルを提案し,RELM IRLSと呼ぶ。ロバストな損失関数と正則化項ロバストなELM回帰のためのに関する包括的研究を行った。四損失関数(すなわち,l_1ノルム,Huber,BisquareとWelsch)を用いてロバスト性を強化し,二種類の正則化(l_2ノルムとl_1ノルム)は過剰適合を避けるために使用されている。実験はl_2ノルムとl_1ノルム正則化を用いた提案したRELM IRLSは安定であり,0~40%異常値レベルのデータのための正確であり,また,l_1ノルム正則化を用いたRELM IRLSはネットワークの高度にスパース出力重みのためにコンパクトなネットワークを得ることができることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 異常値 ,  *学習機械 ,  ネットワーク ,  汎化 ,  *最小二乗法 ,  透視図法 ,  ノルム ,  *ロバスト性 ,  重みづけ ,  高速度 ,  損失関数 ,  *正則化 ,  統一模型
準シソーラス用語： 学習速度 ,  極度学習機械 , 【Automatic Indexing@JST】

著者キーワード (5件)： 極端学習機械 ,  反復計量の最小二乗法 ,  ロバスト性 ,  l_2ノルム正則化 ,  l_1ノルム正則化

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 反復 ,  荷重 ,  最小二乗法 ,  ロバスト ,  正則化 ,  学習機械