文献

J-GLOBAL ID：201802249443831381   整理番号：18A0517425

分類のためのマルチビューブースティング機能を持つ情報伝搬【Powered by NICT】

Multiview Boosting With Information Propagation for Classification

著者 (4件)： Peng Jing (Montclair State University, Montclair, NJ, USA) ,  Aved Alex J. (Information Directorate, Air Force Research Lab, Rome, NY, USA) ,  Seetharaman Guna (Information Technology Division, U.S. Naval Research Laboratory, Washington, DC, USA) ,  Palaniappan Kannappan (University of Missouri, Columbia, MO, 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： 657-669  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： マルチビュー学習は多くの応用において有望な可能性を示した。しかし,大部分の技術は,一貫性,または観点多様性のいずれかに焦点を当てている。本論文では,新しいマルチビューブースティングアルゴリズム,ブーストを導入した。SH,独立に各ビューの弱い分類器を計算するが一貫性を確保するための複数ビュー間の情報を伝搬する共有量分布を用いた。多様性を促進するために,著者らは無作為化ブーストを導入した。SHと欲張りブーストへの収束を示した。SH溶液敵対的多腕の盗ぞくの枠組みを用いた後悔を最小化する。もブーストの変異体を導入した。分類のためのビュー推奨のための複数の専門家からの決定を組み合わせたSH。逆分散に基づくマルチビュー学習,一貫性と多様性を調べるのためのエキスパート戦略を提案した。バイオメトリック認識,文書分類,多言語テキスト,酵母ゲノム多視点データセット上での実験を行い,ブーストの利点を実証した。SH(85%)を連結したビューを用いたAdaBoost(82%)のような他のブースティングアルゴリズムとマルチビューカーネル学習アルゴリズム(74%)よりも実質的に良好な比較した。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： ゲノム ,  *学習アルゴリズム ,  酵母
準シソーラス用語： ブースティングアルゴリズム ,  AdaBoost , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 分類 ,  情報伝搬