文献

J-GLOBAL ID：201702245927854802   整理番号：17A1385761

不均衡データストリームのSOMベース部分ラベリング【Powered by NICT】

SOM-based partial labeling of imbalanced data stream

著者 (2件)： Arabmakki Elaheh (Data Mining Lab, Department of Computer Engineering and Computer Science (CECS), Duthie Center for Engineering, University of Louisville, 222 Eastern Pkwy, Louisville, KY 40208, USA) ,  Kantardzic Mehmed (Data Mining Lab, Department of Computer Engineering and Computer Science (CECS), Duthie Center for Engineering, University of Louisville, 222 Eastern Pkwy, Louisville, KY 40208, USA)
資料名： Neurocomputing  (Neurocomputing)
巻： 262  ページ： 120-133  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： データストリームは,セキュリティ,金融,インターネットなどの多くの大規模システムで見出された。データストリームの多くにおいて,クラス分布が不均衡と,従って最も伝統的な分類モデルの少数派クラスからの試料のための高精度を得ることができない。添加では,データストリームが変化し,モデルは,分類性能を維持するために更新する必要がある。しかし,標識プロセスは非常に時間がかかり,非常にしばしばクラスラベルは,分類直後に利用できないので,データサンプルの真のクラスラベルを得る容易なタスクではない。本研究の目的は,完全に標識設定と比較して,不均衡データストリームのための標識を減少させ,高い分類性能を生成した。不均衡データストリームにおいて,挑戦的な部分は,少数派クラス試料を見出し,標識することである。本論文では,非定常環境における不均衡データストリームの分類のためのRLS SOM(Reduced標識試料自己組織化マップ)フレームワークを提案した。RLS SOMはSOMを用いた特徴空間における少数派クラス試料を配置する。分類器のアンサンブルを維持し,変化が生じたときに新しいモデルを構築し,部分的にしか標識試料を用いた。RLS SOMでは,分類結果は,アンサンブル,集団における個々のモデルから得られた。個々のモデル分類結果をアンサンブル結果で選択し,その性能はアンサンブルの性能よりも高い。比較を行っアンサンブルよりも高い性能を産生する集団における一つのモデルである性能を改善することである。著者らの実験結果は,ベンチマークデータセット上でのいくつかの部分的に標識法と比較したとき,このRLS SOM(自己組織化マップ)は,より高い性能が得られることを実証した。添加では,UCB,SERA,SEA,Learn++.CDSのような方法を標識完全技術の他の状態と実験結果はRLS SOMは10 30%標識を用いた等価分類性能を維持し,平均して示した。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： *ラベリング ,  大規模系 ,  サポートベクトルマシン ,  モデル ,  セキュリティ ,  金融 ,  標識法 ,  自己組織化特徴マップ ,  インターネット
準シソーラス用語： 特徴空間 ,  高精度 ,  少数派 ,  分類モデル ,  *データストリーム ,  *不均衡 , 【Automatic Indexing@JST】

著者キーワード (5件)： データストリーム ,  概念ドリフト ,  自己組織化マップ(SOM) ,  サポートベクトルマシン(SVM) ,  部分標識

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 均衡 ,  データストリーム ,  SOM ,  ベース部分 ,  ラベリング