文献

J-GLOBAL ID：201802238213187935   整理番号：18A1908221

マルチクラス不均衡データ分類のための局所アンサンブルの選択【JST・京大機械翻訳】

Selecting local ensembles for multi-class imbalanced data classification

著者 (3件)： Krawczyk Bartosz (Department of Computer Science, Virginia Commonwealth University, Richmond, VA, USA) ,  Cano Alberto (Department of Computer Science, Virginia Commonwealth University, Richmond, VA, USA) ,  Wozniak Micha (Department of Systems and Computer Networks, Wrocaw University of Science and Technology, Wrocaw, Poland)
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： 不均衡なデータからの学習は,機械学習コミュニティが過去数十年にわたって直面しているという挑戦である。二値と歪んだデータセットを扱う問題を扱う多くの研究があるが,そのマルチクラスの対応物はあまり注目されていない。この問題は,複数の不均衡クラスの存在が,任意の分類器の予測力を著しく悪化させるので,非常に困難である。クラス間の関係はもはや明確に確立されておらず,適切に取り組む必要があるそのようなデータの性質に埋め込まれた多くの困難性がある。本研究では,静的分類器選択アプローチに基づくマルチクラス不均衡データに対する有効集合の形成問題を検討した。ここでは,元の特徴空間を多数の能力領域に分割し,それらのサイズと位置を修正し,ベース分類器の供給プールを最も効率的に利用するために,完全に適応可能な学習方式を提案した。さらに,それぞれの確立されたクラスタに対して,重みづけされた分類器の組合せを実行する。そこでは,各クラスタに対して重みを個々に設定し,各クラスを考慮する。これにより,特徴空間の与えられた部分における各ベース学習者の局所的能力を利用することが可能になり,また,考慮したクラスのそれぞれについても可能になる。これらの2つのタスクは,進化的アルゴリズムによってガイドされる単一ハイブリッド訓練方式において一緒に結合される。最適化基準を定式化し,高度に不均衡で多クラスの問題に取り組むことができる局所集合のスキュー非敏感集合を達成した。実験研究により,提案した方法の高い有効性と他のアンサンブル選択法に対する優位性を証明した。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： *学習 ,  クラスタ ,  予測 ,  最適化 ,  定式化 ,  ゆがみ
準シソーラス用語： 実験研究 ,  進化的アルゴリズム ,  学習者 ,  特徴空間 ,  *不均衡データ ,  学習コミュニティ ,  *不均衡 ,  データ分類 ,  *クラス不均衡 , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  医用画像処理  (JE04020T) ,  NMR一般  (BM07041R)

タイトルに関連する用語 (4件)： マルチ ,  クラス不均衡 ,  データ分類 ,  アンサンブル