文献

J-GLOBAL ID：201802242677598136   整理番号：18A0162503

結合ラベル埋込みと分類によるロバストな射影辞書学習【Powered by NICT】

Robust Projective Dictionary Learning by Joint Label Embedding and Classification

著者 (6件)： Jiang Weiming ,  Zhang Zhao ,  Qin Jie ,  Zhao Mingbo ,  Li Fanzhang ,  Yan Shuicheng
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICDMW  ページ： 510-517  発行年： 2017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,データ分類のための,ロバストなラベル埋込み射影辞書学習(LE PDL)と呼ばれる,新しい識別型辞書学習フレームワークを提案した。LE PDLはl0ノルムまたはl1ノルムスパース性正則化を用いない識別辞書とブロック対角表現を学習することができる,既存のDL法で用いられる符号化係数に及ぼすl0またはl1ノルム制約は訓練フェーズに時間がかかるからである。性能を高めるために,LE PDLの学習過程における辞書原子のラベル情報はクラス内原子は類似プロファイルを示し,係数行列をブロック対角に奨励するために考察した。に加えて,LE PDLも与えられたデータから特徴を抽出することによりそれらの係数を用いた橋梁データに投影を含んでいる。,分類と表現パワーが共同で考慮したように,抽出された特徴に基づく分類器を訓練できる。,著者らのモデルの分類法は効率的で,ほとんどの既存のDL法としてそれぞれの新しい試験データのための学習された辞書を用いた余分な時間のかかるスパース再構成プロセスを回避するからである。に加えて,ロバストl2,1 ノルムは分類器に正則化であり,非負制約がパフォーマンスを増強するために符号化係数に使用されている。実験結果は,著者らの定式化の有効性を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 符号化 ,  透視図法 ,  ノルム ,  正則化 ,  モデル ,  *ロバスト性 ,  位相 ,  *射影 ,  再構成 ,  定式化
準シソーラス用語： 分類法 ,  係数行列 ,  スパース性 ,  データ分類 ,  *辞書学習 , 【Automatic Indexing@JST】

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 (6件)： ラベル ,  埋込み ,  分類 ,  ロバスト ,  射影 ,  辞書学習