文献

J-GLOBAL ID：201802242559765302   整理番号：18A1621498

Baggingとブースティングを用いたオンライン特徴選択への拡張【JST・京大機械翻訳】

Extensions to Online Feature Selection Using Bagging and Boosting

著者 (5件)： Ditzler Gregory (Department of Electrical and Computer Engineering, The University of Arizona, Tucson, AZ, USA) ,  LaBarck Joseph (Department of Electrical and Computer Engineering, Rowan University, Glassboro, NJ, USA) ,  Ritchie James (Department of Electrical and Computer Engineering, Rowan University, Glassboro, NJ, USA) ,  Rosen Gail (Department of Electrical and Computer Engineering, Drexel University, Philadelphia, PA, USA) ,  Polikar Robi (Department of Electrical and Computer Engineering, Rowan University, Glassboro, NJ, USA)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 9  ページ： 4504-4509  発行年： 2018年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
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： 特徴部分集合選択は大量のデータを通してふるい分けるために用いることができ,特定の学習問題に対する変数の最も有益な部分集合を発見することができる。しかし,メモリと他の資源制約(例えばCPUアベイラビリティ)により,最先端の特徴部分集合選択法の多くは,高次元データ,または極端に大量のインスタンスを持つデータセットに拡張することができない。本論文では,予測を行うためのオンライン線形モデルの集合を開発することにより,部分的特徴情報を用いる最近導入された手法であるオンライン特徴選択(OFS)を拡張した。OFSアプローチはベース分類器として線形モデルを採用し,パラメータベクトルのl_0ノルムを制約して,スパース線形モデルに導く特徴選択を実行する。提案したアンサンブルモデルは,単一線形モデルよりも小さい誤差率を典型的に生み出し,一方,試験時間におけるスパース性と複雑さの同じレベルを維持することを実証した。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： ノルム ,  アベイラビリティ ,  ベクトル ,  記憶装置 ,  学習 ,  *特徴選択 ,  部分集合
準シソーラス用語： 複雑性 ,  スパース性 ,  線形モデル ,  高次元データ ,  部分集合選択 ,  *オンライン ,  *ブースティング , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： ブースティング ,  オンライン ,  特徴選択 ,  拡張