抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習において,ニューラルネットワーク分類器は,しばしば訓練サンプルによってよく機能するが,テストサンプルによって劣った性能を示した。このシナリオは過剰適合と呼ばれる。オーバーフィッティングは分類器の一般化能力を減少させる。したがって,本論文における目的は,より良い一般化によって分類装置をモデル化することであった。分類器の一般化は,データセットの入力空間の次元を減少させることによって保存できる。次元縮小のために,t分布確率的近傍埋め込み(t-SNE),機械学習アルゴリズムを本論文で用いた。最初に,二次元t-SNEネットワークを訓練して,データセットのグローバル幾何学を達成することに成功した。ここでは,t-SNEアルゴリズムは,類似オブジェクトが近傍インスタンスによりモデル化され,異なるオブジェクトが遠隔インスタンスによりモデル化されるような方法で,ペア上の確率分布を構築することにより,各高次元元入力サンプルを低次元(通常二次元)新しいサンプルにモデル化する。元の高次元データと低次元投影データ間のkullback Leibler発散(KL発散)を最小化することを試みた。後に,投影された低次元データを分類のために多層パーセプトロン(MLP)によって使用した。完全な手順はt-SNEとMLPに基づく新しい分類器を構築する。8つの標準分類データセットを用いて,提案した分類器を標準MLP分類器と比較した。比較結果は,提案した分類器の優位性を示した。Wilcoxon符号化ランク検定も,特徴表現の修正に用いたt-SNEに基づく提案モデルが分類器の実行を修正することを示した。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】