文献

J-GLOBAL ID：201702255530724719   整理番号：17A1633703

RAPT:真のラベルの非存在下での稀なクラス予測【Powered by NICT】

RAPT: Rare Class Prediction in Absence of True Labels

著者 (6件)： Mithal Varun (University of Minnesota, Minneapolis, MN) ,  Nayak Guruprasad (University of Minnesota, Minneapolis, MN) ,  Khandelwal Ankush (University of Minnesota, Minneapolis, MN) ,  Kumar Vipin (University of Minnesota, Minneapolis, MN) ,  Oza Nikunj C. (NASA Ames Center, Mountain View, CA) ,  Nemani Ramakrishna (NASA Ames Center, Mountain View, CA)
資料名： IEEE Transactions on Knowledge and Data Engineering  (IEEE Transactions on Knowledge and Data Engineering)
巻： 29  号： 11  ページ： 2484-2497  発行年： 2017年 
JST資料番号： T0838A  ISSN： 1041-4347  CODEN： ITKEEH  資料種別： 逐次刊行物 (A)
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： 訓練サンプルのためのゴールドスタンダードラベルされていない多くの実世界問題状況における稀なクラスのための学習モデルを含むが不完全なラベルが全例に利用可能である。本論文では,RAPT,そのような問題設定における稀なクラスを分類するための三段階予測モデル化フレームワークを提案した。提案したフレームワークの第一段階は,不完全ラベル付き学習サンプルのみを用いて適合率と再現率を同時最適化する分類器を学習する。も,不完全なラベルにある仮定の下で,この分類器の品質は完全なラベルを用いて構築した1と同程度に良好であることを示した。フレームワークの第二及び第三段階は稀なクラスの適合率と再現率をさらに改善するために不完全なラベルが全例に利用できるという事実を利用している。マッピング森林火災の二つの実世界応用と地球観測衛星データから都市程度にRAPTフレームワークを評価した。実験結果はRAPTは不完全なラベルを用いて高い適合率および再現率を森林火災と都市域を同定するために使用できることを示し,地球規模でのエキスパート注釈付き試料を得るこれらの応用では実行不可能である。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： *予測 ,  都市域 ,  予測モデル ,  品質 ,  アノテーション ,  山火事 ,  学習 ,  学習モデル ,  都市
準シソーラス用語： 地球観測衛星 ,  同時最適化 ,  再現率 ,  適合率 , 【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)： ラベル ,  クラス ,  予測