文献

J-GLOBAL ID：201702253020424377   整理番号：17A0369088

逐次実験設計による罰金付きロジスティック回帰のためのアクティブ学習【Powered by NICT】

Active learning for penalized logistic regression via sequential experimental design

著者 (2件)： Wang Jing (Department of Statistics, Chonnam National University, Republic of Korea) ,  Park Eunsik (Department of Statistics, Chonnam National University, Republic of Korea)
資料名： Neurocomputing  (Neurocomputing)
巻： 222  ページ： 183-190  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： ペナルティ付きロジスティック回帰はクラス確率推定を提供するだけでなく,過剰適合問題を克服できる分類に有用である。Tradditionally,教師つき分類器学習は多くのラベル付きデータを必要とした。技術革新のために,大量のラベルなしデータの収集が容易で,標識は通常高価で困難である。アクティブ学習は標識要求の量を減少させるための標識のための最も有益な被験者を選択することを目的とした。最近,実験計画法を用いたアクティブ学習が注目されている。典型的な基準は,その推定分散あるいは推定バイアスを最小化することによりモデルの一般化誤差を低減することを試みた。しかし,それらは同時に両成分を考慮にいれていない。本論文では,罰則付きロジスティック回帰を用いて能動学習の新しいアルゴリズムを提案した。最も情報量の多い被験者は最小平均二乗推定誤差を持つものとして選択した。逐次設計の考えを統合した,この基準は新たな課題選択の手順を導くために提案アルゴリズムに利用されている。広範な実世界データセット上での実験を行い,いくつかの最先端の能動学習型代替案と比較して提案した方法の有効性と効率を実証した。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： アルゴリズム ,  統計的推定 ,  *ペナルティ ,  情報量 ,  *学習 ,  バイアス ,  *実験計画法
準シソーラス用語： 推定誤差 ,  罰則 ,  被験者 ,  ラベルなしデータ ,  *能動学習 ,  *ロジスティック回帰分析 , 【Automatic Indexing@JST】

著者キーワード (3件)： アクティブ学習 ,  ロジスティック回帰 ,  実験計画

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 実験設計 ,  罰金 ,  ロジスティック回帰 ,  アクティブ学習