文献

J-GLOBAL ID：201802284342034421   整理番号：18A0774539

成長曲線成分分析(GCCA)ニューラルネットワーク

The Growing Curvilinear Component Analysis (GCCA) neural network

著者 (4件)： Cirrincione Giansalvo (University of Picardie Jules Verne, Amiens, France) ,  Cirrincione Giansalvo (University of South Pacific, Suva, Fiji) ,  Randazzo Vincenzo (Department of Electronics and Telecommunications, Politecnico di Torino, Turin, Italy) ,  Pasero Eros (Department of Electronics and Telecommunications, Politecnico di Torino, Turin, Italy)
資料名： Neural Networks  (Neural Networks)
巻： 103  ページ： 108-117  発行年： 2018年07月 
JST資料番号： T0698A  ISSN： 0893-6080  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 高次元ビッグデータが研究の難しい分野になっている。情報を推論する多くの手法が存在する。しかしながら,次元の呪いのために,情報の次元縮小(DR)が必要なステップである。DRは線形アルゴリズムと非線形アルゴリズムによって実行できる。一般的に,線形アルゴリズムは計算負荷が少ないので,より高速である。関連する問題は時変高次元データを扱うことであり,その時間依存性は非定常データ分布が原因である。データストリームアルゴリズムは低次元空間に投影できない。実際に,非線形手法はデータベース全体を必要とする(オフライン)のに対し,主成分分析(PCA)のような線形投影だけが実時間で使われている。成長曲線成分分析(GCCA)ニューラルネットワークはこの問題に対処する。すなわち,変化するデータ分布に適応する自己組織化逐次アーキテクチャを持ち,非線形の距離を保つ縮小手法であるCCAを用いることによって,データ量子化と投影を同時に実行する。これは入力領域を新しい領域に移植するニューロン対“種”と,データ非定常性を示す多様体グラフにおける新しい種類のエッジ“橋”のアイデアを導入することによって実現した。他の既存の手法との比較によって,いくつかの人工的な事例と実応用を与えた。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.

シソーラス用語： *ニューラルネットワーク ,  成長曲線 ,  *データ ,  *情報システム ,  次元縮小 ,  計算機アルゴリズム ,  時変系 ,  ストリーミング ,  主成分分析 ,  投影法【図法】 ,  ニューロン ,  事例研究
準シソーラス用語： *ビッグデータ

著者キーワード (6件)： 曲線成分分析 ,  次元縮小 ,  ニューラルネットワーク ,  非定常データ ,  ソフト競合学習 ,  橋

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  その他の情報処理  (JE15050M)

タイトルに関連する用語 (3件)： 成長曲線 ,  成分分析 ,  ニューラルネットワーク