文献

J-GLOBAL ID：201802218307059060   整理番号：18A1908003

パラメータ化関数最適化を用いた集約をランク付けする教師なし学習【JST・京大機械翻訳】

Unsupervised Learning to Rank Aggregation using Parameterized Function Optimization

著者 (4件)： Tavanaei Amirhossein (School of Computing and Informatics, University of Louisiana at Lafayette, LA, 70503, USA) ,  Gottumukkalay Raju (School of Computing and Informatics, University of Louisiana at Lafayette, LA, 70503, USA) ,  Maida Anthony S. (School of Computing and Informatics, University of Louisiana at Lafayette, LA, 70503, USA) ,  Raghavan Vijay V. (School of Computing and Informatics, University of Louisiana at Lafayette, LA, 70503, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IJCNN  ページ： 1-8  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 本論文では,パラメータ化関数最適化(PFO)を用いた新しい教師なしランク集約法を提案した。このアルゴリズムは,異なるランクまたは属性に関連するランクリストの加重標準偏差のエネルギーを最小化することにより,パラメータ化ランク集約モデルを導出する。この問題におけるパラメータは,最終凝集ランクに及ぼすランクリストの影響を表す重みである。凝集法をランク付けするために提案した学習は,効率的(線形時間複雑性)であり,その精度は対選択法(多項式時間複雑性を有する)と好都合に比較した。ランク集約におけるPFOの成功を示すために,2回の実験を行った。すなわち,学習における実際の問題を解決するために,教師なしランク集約におけるその成功と3つの大学ランキングデータセットにおけるその成功を示す。LETORに関する実験結果は,PFOがベースライン結果を著しく上回り,教師なしランク集約のために開発された最近の高性能法と比較して有望な性能を示すことを示した。著者らのモデルによって得られた大学のランクは,良く知られた組織によって報告されたランクに匹敵する。教師なしランク集約を実行するためのPFOモデルの成功は,具体的には実際的な問題に対して,地上真実のない困難なランク付けシナリオにおけるアルゴリズムの使用を支援する。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 凝集 ,  凝集処理 ,  *等級づけ ,  アルゴリズム ,  標準偏差 ,  基準線 ,  教師なし学習 ,  線形性 ,  *集中化 ,  *パラメタリゼーション
準シソーラス用語： 多項式時間 ,  選択法 ,  複雑性 ,  加重 ,  関数最適化 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： パラメータ化 ,  関数最適化 ,  集約 ,  ランク付け ,  教師なし学習