文献

J-GLOBAL ID：201802237190510228   整理番号：18A0288401

サポートベクトルマシンと主成分分析最小二乗における不定カーネル【Powered by NICT】

Indefinite kernels in least squares support vector machines and principal component analysis

著者 (5件)： Huang Xiaolin (Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, 200240 Shanghai, PR China) ,  Huang Xiaolin (Pattern Recognition Lab, Friedrich-Alexander-Universitaet Erlangen-Nuernberg, 91058 Erlangen, Germany) ,  Maier Andreas (Pattern Recognition Lab, Friedrich-Alexander-Universitaet Erlangen-Nuernberg, 91058 Erlangen, Germany) ,  Hornegger Joachim (Pattern Recognition Lab, Friedrich-Alexander-Universitaet Erlangen-Nuernberg, 91058 Erlangen, Germany) ,  Suykens Johan A.K. (KU Leuven, ESAT-STADIUS, B-3001 Leuven, Belgium)
資料名： Applied and Computational Harmonic Analysis  (Applied and Computational Harmonic Analysis)
巻： 43  号： 1  ページ： 162-172  発行年： 2017年 
JST資料番号： W0657A  ISSN： 1063-5203  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： いくつかの成功した適用のために,あいまいなカーネルは,近年多くの研究関心を集めている。本論文では,最小二乗サポートベクトルマシン(LS SVM)の枠組み内のあいまいな学習を扱った。既存の不確定カーネル学習法,通常非凸問題を含むとは異なり,不明確なLS-SVMを解くことは容易であるが,Mercerカーネルを用いたLS-SVMのためのカーネルトリックと主双対関係はもはや有効ではない。本論文では,不明確なLS-SVMのための特徴空間解釈を与えた。同じフレームワークでは,無限カーネルを用いたカーネル主成分分析についても考察した。数値実験で,分類とカーネル主成分分析のための不定カーネルを用いたLS-SVMを評価した。その良好な性能本論文で与えられた特徴空間解釈と共に,実際の応用における不定LS-SVMの利用の可能性を意味している。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： *主成分分析 ,  凸形 ,  不確実性 ,  双対性 ,  *最小二乗法 ,  曖昧さ ,  *サポートベクトルマシン
準シソーラス用語： 数値実験 ,  カーネル主成分分析 ,  特徴空間 ,  Kernel法 ,  最小二乗-サポートベクトルマシン , 【Automatic Indexing@JST】

著者キーワード (4件)： 最小二乗サポートベクトルマシン ,  不定カーネル ,  分類 ,  カーネル主成分分析

分類 (5件)： パターン認識  (JE07000S) ,  システム・制御理論一般  (IA02010H) ,  数値計算  (JE02000J) ,  人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： サポートベクトルマシン ,  主成分分析 ,  最小二乗 ,  カーネル