文献

J-GLOBAL ID：201702263648283429   整理番号：17A1247222

不均衡学習のためのGIRベースアンサンブルサンプリングアプローチ【Powered by NICT】

GIR-based ensemble sampling approaches for imbalanced learning

著者 (2件)： Tang Bo (Department of Electrical and Computer Engineering, Mississippi State University, Mississippi State, MS, 39762, USA) ,  He Haibo (Department of Electrical, Computer, and Biomedical Engineering, University of Rhode Island, Kingston, RI, 02881, USA)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 71  ページ： 306-319  発行年： 2017年 
JST資料番号： D0611A  ISSN： 0031-3203  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： 本論文では,学習不均衡のための二つの適応アンサンブルサンプリングアプローチを提示した:一つはアンダーサンプリングベースアプローチであり,他の一つはオーバサンプリングベースアプローチであり,バイアス低減と適応学習の目的であった。これら二つの手法の両方が,従来の試料サイズ比の代わりに新しいクラス不均衡計量,一般化不均衡比(GIR)と呼ばれる,に基づいている。特に,不均衡学習問題を分割確率的方法で多重平衡学習部分問題,部分問題で訓練した分類器を強制するに適応的にこれら二つのサンプリングベースアプローチは,試料を学習するために困難なものに焦点を当てた。各部分問題では,いくつかの弱い分類器をブースティング方法で訓練した。最終強い分類器は,バギング方法でこれらすべての弱い分類器を結合することにより構築した。実生活UCI不均衡データセット上で実施された提案した方法の性能を評価するために,広範囲な実験。優れた性能は,提案した方法の有効性を実証し,データマイニングの分野で広い応用可能性を示した。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： *学習 ,  データマイニング ,  バイアス
準シソーラス用語： オーバサンプリング ,  アンダーサンプリング ,  不均衡データセット ,  ブースティング ,  部分問題 ,  確率的方法 ,  クラス不均衡 ,  適応学習 ,  *不均衡 , 【Automatic Indexing@JST】

著者キーワード (5件)： 不均衡学習 ,  一般化された不均衡比 ,  アンダーサンプリングおよびオーバサンプリング ,  適応学習 ,  ブースティングと袋詰め

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 (2件)： 均衡 ,  学習