文献

J-GLOBAL ID：201802248640293386   整理番号：18A0517413

ロバストC損失カーネル分類器【Powered by NICT】

Robust C-Loss Kernel Classifiers

著者 (3件)： Xu Guibiao (National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing, China) ,  Hu Bao-Gang (National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing, China) ,  Principe Jose C. (Department of Electrical & Computer Engineering, Computational NeuroEngineering Laboratory, University of Florida, Gainesville, FL, USA)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 3  ページ： 510-522  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： correntropy誘導損失(C 損失)機能は異常値に対してロバストであることの良好な特性を持っている。本論文では,Tikhonov正則化項を持つC 損失カーネル分類器,過剰適合を避けるために用いられるを研究した。半二次最適化アルゴリズム,勾配最適化アルゴリズムよりもはるかに速く収束することを用いた後,得られたC 損失カーネル分類器である反復重み付き最小二乗サポートベクトルマシン(LS SVM)に相当することを見出した。この関係は,相関エントロピーと密度推定の観点から反復重み付きLS-SVMのロバスト性を説明するのに役立つ。低品位Gram行列を持つ大規模データ集合上で,著者らは,訓練プロセスを高速化するために不完全Cholesky分解を用いることを示唆した。さらに,得られたC 損失カーネル分類器のスパース性を改善するための表現定理の使用。実験結果は,提案手法は,既存の一般的な分類器よりも異常値に対してよりロバストであることを確認した。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： 高速化 ,  異常値 ,  エントロピー ,  *ロバスト性
準シソーラス用語： スパース性 ,  Cholesky分解 ,  大規模データセット ,  最小二乗-サポートベクトルマシン ,  最適アルゴリズム ,  Tikhonov正則化 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： ロバスト ,  損失 ,  カーネル ,  分類器