文献

J-GLOBAL ID：201702271613961458   整理番号：17A1263025

回帰のためのL_2-Rescaleブースティングの収縮度【Powered by NICT】

Shrinkage Degree in $L_{2}$ -Rescale Boosting for Regression

著者 (4件)： Xu Lin (Institute for Information and System Sciences, Xi’an Jiaotong University, Xi’an, China) ,  Lin Shaobo (College of Mathematics and Information Science, Wenzhou University, Wenzhou, China) ,  Wang Yao (Institute for Information and System Sciences, Xi’an Jiaotong University, Xi’an, China) ,  Xu Zongben (Institute for Information and System Sciences, Xi’an Jiaotong University, Xi’an, China)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 28  号： 8  ページ： 1851-1864  発行年： 2017年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  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： L_2-rescaleブースティング(L_2-RBoosting)はL_2-ブースティングの変異体,L_2-ブースティングの汎化性能を改善する本質的に可能である。L_2-RBoostingの重要な特徴は,各反復におけるアンサンブル推定を再スケールするための収縮度を導入することにある。収縮程度はL_2-RBoostingの性能を決定する。本論文の目的は,L_2-RBoostingの収縮度を決定する方法に関するコンクリート分析を開発することである。収縮度を選択する二つの方法を提案した。最初のものは,収縮度をパラメータ化するためであり,他の一つはデータ駆動型アプローチを開発することである。L_2-RBoostingの収縮度の重要性を解析する厳密後,提案した方法の長所と短所を比較した。はこのアプローチでは,同じ学習速度に達することができるが,パラメータ化されたアプローチの最終的な推定器の構造が良好であることが分かった試料の数は有限である場合には,より優れた汎化能力をもたらした。これを用いて,著者らはL_2-RBoostingの収縮度をパラメータ化するために推奨した。も収縮度のための適応パラメータ選択戦略を提示し,理論的解析と実験的検証の両方を介してその実現可能性を検証した。得られた結果は,L_2-RBoostingの理解を高め,回帰タスクのためにそれをどのように利用するかについて指針を与えた。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： *パラメタリゼーション ,  汎化 ,  コンクリート
準シソーラス用語： パラメータ選択 ,  学習速度 ,  データ駆動 ,  *ブースティング , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： ブースティング ,  収縮度