文献

J-GLOBAL ID：201802227471782735   整理番号：18A0133306

コアベクトルマシンにおける深い複数多層カーネル学習【Powered by NICT】

Deep multiple multilayer kernel learning in core vector machines

著者 (2件)： A.L. Afzal (Data Engineering Lab, Indian Institute of Information Technology and Management - Kerala (IIITM-K), Thiruvananthapuram, India) ,  S. Asharaf (Indian Institute of Information Technology and Management - Kerala (IIITM-K), Thiruvananthapuram, India)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 96  ページ： 149-156  発行年： 2018年 
JST資料番号： W0178A  ISSN： 0957-4174  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： 過去数年にわたり,多くの実世界応用の深い学習の劇的な進展を目撃した。深層学習概念はニューラルネットワークの分野で形成されなどオートエンコーダ,畳込みニューラルネットワーク,リカレントニューラルネットワークのような効果的な特徴学習法における量子飛躍を示した。カーネルマシンの場合には,深いニューラルネットワークを模倣する学習機械をモデル化するためにいくつかの試みがある。この方向では,多層カーネルマシン(MKMs)は,特徴抽出の複数の層を持つカーネルマシンアーキテクチャを構築する試みであった。最終分類器として逆余弦カーネルを有するサポートベクトルマシンを用いたカーネルPCAに基づく特徴抽出ユニットの多くの層から構成されている。多重カーネル学習(MKL)と深いコアベクトルマシンのような他の手法はそれぞれMKMsの固定カーネル計算問題とスケーラビリティ側面を解いた。これに加えて,多層特徴抽出フレームワークにおける単一および多層カーネルを持つ教師なしMKLの使用を評価しなければならないが多くの道である。これに関連して,本論文では,特徴抽出の多重層を用いたスケーラブル深いカーネルマシンを構築することを試みた。このフレームワークにおける各カーネルPCAに基づく特徴抽出層は,教師なしの方法で単層と多層両カーネルの組み合わせによりモデル化した。逆余弦カーネルを用いたコアベクトルマシンはこのモデルのスケーラビリティを保証する最終層分類器として用いた。本論文の主要な貢献は,分類のための深層ニューラルネットワークアーキテクチャに類似した深部構造化カーネルマシンアーキテクチャを構築する新しい努力である。カーネル理論の原理を利用する深い学習をベースとするインテリジェントシステムの研究者のための拡張可能な研究の道を開くものである。実験は,提案方法が一貫して既存の深部コアベクトルマシンの汎化性能を改善することを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： サポートベクトルマシン ,  学習機械 ,  特徴抽出 ,  モデリング ,  深層 ,  *学習 ,  汎化 ,  多重化 ,  ニューラルネットワーク ,  *多層
準シソーラス用語： カーネルマシン ,  リカレントニューラルネットワーク ,  畳込みニューラルネットワーク ,  深層学習 ,  *Kernel法 , 【Automatic Indexing@JST】

著者キーワード (6件)： 深部カーネルマシン ,  教師なしMKL(マルチカーネル学習) ,  コアベクトルマシン ,  スケーラビリティ ,  アーク余弦カーネル ,  多層カーネル学習

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 多層 ,  カーネル学習