文献

J-GLOBAL ID：201802270947366095   整理番号：18A0613158

ロバスト学習のための混合コレントロピー(correntropy)【Powered by NICT】

Mixture correntropy for robust learning

著者 (6件)： Chen Badong (School of Electronic and Information Engineering, Xian Jiaotong University, Xian 710049, China) ,  Wang Xin (School of Electronic and Information Engineering, Xian Jiaotong University, Xian 710049, China) ,  Lu Na (School of Electronic and Information Engineering, Xian Jiaotong University, Xian 710049, China) ,  Wang Shiyuan (College of Electronic and Information Engineering, Southwest University, Chongqing 400715, China) ,  Cao Jiuwen (Institute of Information and Control, Hangzhou Dianzi University, Zhejiang 310018, China) ,  Qin Jing (Center of Smart Health, School of Nursing, Hong Kong Polytechnic University, Hong Kong, China)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 79  ページ： 318-327  発行年： 2018年 
JST資料番号： D0611A  ISSN： 0031-3203  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： correntropyは,カーネル空間で定義された局所類似性尺度である。したがって,ロバスト信号処理と機械学習における大きな異常値と戦うことができる。これまで,多くのロバストな学習アルゴリズムは,最大相関エントロピー基準(MCC)の下で開発され,その中で,Gaussカーネルは相関エントロピーの一般的に用いられる。学習性能をさらに改善するため,本論文では,混合物相関エントロピーの概念,カーネル関数として二つのGauss関数の混合物を提案した。混合相関エントロピーのいくつかの重要な特性を提示した。関数近似とデータ回帰のための極端学習機械(ELM)とカーネル適応フィルタリング(KAF)への最大混合物相関エントロピー基準(MMCC)の応用についても検討した。実験結果は,MMCCの下での学習アルゴリズムは非常によく行い,従来のMCCベースアルゴリズムと同様に他のいくつかの最先端アルゴリズムよりも優れた性能を達成できることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： アルゴリズム ,  *ロバスト性 ,  エントロピー ,  関数近似 ,  類似性 ,  学習アルゴリズム ,  適応フィルタリング ,  *学習 ,  機械学習 ,  異常値
準シソーラス用語： 極度学習機械 ,  Gauss関数 ,  Kernel関数 ,  カーネル空間 ,  *コレントロピー , 【Automatic Indexing@JST】

著者キーワード (5件)： Correntropy ,  混合コレントロピー(correntropy) ,  ロバスト学習 ,  極端学習機械 ,  カーネル適応フィルタリング

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： ロバスト ,  学習 ,  コレントロピー