文献

J-GLOBAL ID：201802274936245492   整理番号：18A0530335

サポートベクトルマシンのための訓練集合選択への多目的進化的アプローチ【Powered by NICT】

A multi-objective evolutionary approach to training set selection for support vector machine

著者 (5件)： Acampora Giovanni (Department of Physics “Ettore Pancini”, University of Naples Federico II, Naples 80126, Italy) ,  Herrera Francisco (Department Computer Science and Artificial Intelligence, University of Granada, Granada E-18071, Spain) ,  Herrera Francisco (Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah 21589, Saudi Arabia) ,  Tortora Genoveffa (Department of Computer Science, University of Salerno, Fisciano 84084, Italy) ,  Vitiello Autilia (Department of Computer Science, University of Salerno, Fisciano 84084, Italy)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 147  ページ： 94-108  発行年： 2018年 
JST資料番号： T0426A  ISSN： 0950-7051  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： サポートベクトルマシン(SVM)は多くの異種のアプリケーションドメインにおける機械学習とデータマイニングのための最も強力なアルゴリズムの一つである。しかし,その競争力にもかかわらず,SVMはメモリ要求と実行時間の観点からその性能を悪化させる大幅にスケーラビリティ問題に悩まされている。結果として,その分類能力に影響を与えることなく,前述の問題を扱う効率的にSVMを支援するためのアプローチの強い出現である。このシナリオでは,訓練集合選択(TSS)法は,減少したが代表的訓練データセットを計算し,その分類精度をdeprecating無しのSVMのスケーラビリティを改善するために適しており,圧密前処理法を示した。最近,TSSは二つの目的(分類精度と還元速度)によって特徴付けされる最適化問題として定式化し,進化的アルゴリズムを適用して解いた。しかし,今までのところ,TSSの全ての進化的手法は事前の技法,所謂多目的に基づいている,複数の目的は重み付け組み合わせにより単一目的に凝集した。両その目的を明示的に扱うとSVMの分類と低減性能の間の良好なトレードオフを提供するためにTSS問題に,初めて適用Paretoベースの多目的最適化アプローチを提案した。提案した方法の利点は,UCI機械学習データベースリポジトリから採取した良く知られたデータセットを含む一連の実験により検証した。統計試験により示されるように,Paretoベースの多目的最適化手法の適用は,最高技術水準TSSの技術を改善しSVM効率を向上させた。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： 圧密 ,  前処理 ,  最適化問題 ,  アルゴリズム ,  *サポートベクトルマシン ,  機械学習 ,  データマイニング ,  記憶装置 ,  重みづけ ,  定式化
準シソーラス用語： 多目的最適化 ,  進化的アルゴリズム ,  還元速度 ,  分類精度 ,  実行時間 , 【Automatic Indexing@JST】

著者キーワード (3件)： 訓練セット選択 ,  多目的最適化 ,  サポートベクトルマシン

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： サポートベクトルマシン ,  訓練 ,  集合 ,  進化