文献

J-GLOBAL ID：201802262891452624   整理番号：18A0537148

条件付き確率的グラフィカルアプローチを用いた季節的時系列調査【Powered by NICT】

Seasonal time series exploration using conditional probabilistic graphical approach

著者 (4件)： Purbarani Sumarsih Condroayu (Faculty of Computer Science, Universitas Indonesia) ,  Sanabila H. R. (Faculty of Computer Science, Universitas Indonesia) ,  Ma’sum M. Anwar (Faculty of Computer Science, Universitas Indonesia) ,  Jatmiko Wisnu (Faculty of Computer Science, Universitas Indonesia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： MHS  ページ： 1-6  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： モデルベース機械学習は,問題領域に関連した各仮定を明示的に表現されるアプローチである。確率的グラフィカルモデル(PGM)は,確率的および図式解法を組み合わせたその応用の一つである。逐次予測問題におけるPGM応用である軌道における予測を維持するために有用である。PGM,連続条件付き確率場の条件付き版をこの研究で検討した。CCRFは従来の機械学習,人工神経回路網,木,および他の予測因子または回帰などベースライン予測因子(s)を向上させる。CCRFは,異なる段階でのベースライン予測因子(s)によって調製された予測の間の関係を捉えることができ,これらの段階は必ずしもお互いに連続する必要がある。CCRFを可能にするより深いも時系列配列特性を調査するために,特に時系列は季節的である。実験結果はCCRFは54%までベースラインを改善することにより,そのベースラインの誤り率を軽減する比例してできることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 図式解法 ,  *基準線 ,  予測 ,  ニューラルネットワーク ,  誤り率 ,  機械学習
準シソーラス用語： 予測因子 ,  条件つき確率場 ,  確率的グラフィカルモデル ,  モデルベース ,  *条件付確率 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 条件付き確率 ,  季節 ,  時系列 ,  調査