抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
計算知能のより挑戦的な実世界問題の一つは,非定常ストリーミングデータ,概念ドリフトとしても知られているから学習することである。-小集合初期ラベル付きデータの後-データストリームにはラベル無しデータのみから構成されている場合でもこのシナリオのより挑戦的なバージョンである。このようなシナリオは,典型的には,最初に標識した非定常環境における学習と呼ばれている,あるいは極端な検証潜時(EVL)として単純化した。著者らの以前の研究では,このタイプの環境で良く動作し,データ分布は,限られたドリフトを経験することを提供するフレームワーク,COMPOSE(COMPactedオブジェクト試料抽出)を述べた。COMPOSEの背後にある中心前提は,炉心支持抽出,α形または密度推定は各クラスのための特徴空間の中心にある典型的にコア担体-最も代表的なインスタンスを抽出将来時間ステップにおけるラベル付きデータとして使用されるのに使用される。が,このプロセスが計算されている高次元データのための特に非常に高価である。本論文では,炉心支持抽出無しに作動するようにアルゴリズムを可能にするCOMPOSEの改造について述べる。FASTはCOMPOSE新しいアルゴリズムと呼ぶ。いくつかのデータセットは,元のCOMPOSE,SCARGC(EVLに対処することができることを他のアルゴリズム)を用いた高速COMPOSEの性能を比較し,精度と実行時間の両方に使用されている。得られた結果は,高速COMPOSEを使用することの有望な可能性を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】