文献

J-GLOBAL ID：201702288049254701   整理番号：17A1389483

サポートベクトルマシンのサポートベクトルとパラメータ選択のための相最適化:2クラス分類【Powered by NICT】

Two-phase optimization for support vectors and parameter selection of support vector machines: Two-class classification

著者 (3件)： Wu Shinq-Jen (Department of Electrical Engineering, Da-Yeh University, Chang-Hwa, Taiwan, ROC) ,  Pham Van-Hung (Department of Electrical Engineering, Da-Yeh University, Chang-Hwa, Taiwan, ROC) ,  Nguyen Thi-Nga (Department of Electrical Engineering, Da-Yeh University, Chang-Hwa, Taiwan, ROC)
資料名： Applied Soft Computing  (Applied Soft Computing)
巻： 59  ページ： 129-142  発行年： 2017年 
JST資料番号： W2175A  ISSN： 1568-4946  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： サポートベクトルマシン(SVM)は最も一般的な分類ツールの1つであり,アンダーサンプル雑音のあるデータ(多数特徴の比較的少数試料)に対処するための最も可能性を示した。しかし,計算コストは高価であるが,これは現代スケール試料に対しても,性能は,パラメータの適切な設定に大きく依存する。データスケールが増加すると,速度の向上は困難さを増している。次元(特徴数)は大きく増加する試料サイズは小さいままであるが,過剰適合の回避は重要な課題となっている。本研究では,著者らは大規模データ(3186 70~-サンプルデータセットで試験した)と二段階における微分学習パーティクルスワーム最適化(tDPSO)のための訓練コストを低減アンダーサンプルデータ(2000 24481-特徴データセットで試験)の精度を確実にするためにニ相逐次最小最適化(TSMO)を提案した。訓練SVMの目的は,超平面を示すことをサポートベクトルを同定することであるので,TSMOは全データセットからのサポートベクトル候補を選択迅速かつ,これら候補の中からサポートベクトルを同定するために開発した。このようにして,計算負荷は大幅に減少した(29.4%~65.3%削減率)。提案tDPSOはPSO(粒子群最適化)の時期尚早な収束問題を解くためのトポロジー変化と微分学習を用いた。リング接続が達成されるまで個体群多様性は,動的トポロジーにより保証される(トポロジー変化相)。さらに,粒子はケモタイプシミュレーテッドアニーリング操作を開始し,大域最良粒子は,よどみ(イベント誘導相)に応答して二ターン転換をする。提案tDPSO埋め込まれたSVMは,いくつかのアンダーサンプル雑音癌データセットを用いて試験し,種々の方法,データの前処理のための特徴選択を用いたこれらの方法もよりも優れた性能を示した。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： *最適化 ,  位相幾何学 ,  微分 ,  雑音 ,  前処理 ,  学習 ,  *サポートベクトルマシン ,  特徴選択 ,  個体群
準シソーラス用語： トポロジー変化 ,  計算負荷 ,  超平面 ,  粒子群最適化 ,  大規模データ ,  計算コスト , 【Automatic Indexing@JST】

著者キーワード (4件)： 分類 ,  システム生物学 ,  模倣計算 ,  ワーキングセット選択

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 (5件)： サポートベクトルマシン ,  ベクトル ,  パラメータ選択 ,  最適化 ,  クラス分類