文献

J-GLOBAL ID：201802286971413418   整理番号：18A1712809

サポートベクトルデータ記述のための情報エントロピーに基づくサンプル削減【JST・京大機械翻訳】

Information entropy based sample reduction for support vector data description

著者 (6件)： Li DongDong (Key Laboratory of Advanced Control and Optimization for Chemical Processes, Ministry of Education, East China University of Science and Technology, Shanghai 200237, China) ,  Li DongDong (Department of Computer Science & Engineering, East China University of Science & Technology, Shanghai 200237, China) ,  Wang Zhe (Key Laboratory of Advanced Control and Optimization for Chemical Processes, Ministry of Education, East China University of Science and Technology, Shanghai 200237, China) ,  Wang Zhe (Department of Computer Science & Engineering, East China University of Science & Technology, Shanghai 200237, China) ,  Cao Chenjie (Key Laboratory of Advanced Control and Optimization for Chemical Processes, Ministry of Education, East China University of Science and Technology, Shanghai 200237, China) ,  Liu Yu (Key Laboratory of Advanced Control and Optimization for Chemical Processes, Ministry of Education, East China University of Science and Technology, Shanghai 200237, China)
資料名： Applied Soft Computing  (Applied Soft Computing)
巻： 71  ページ： 1153-1160  発行年： 2018年 
JST資料番号： W2175A  ISSN： 1568-4946  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： サポートベクトルデータ記述(SVDD)は,1クラス分類(OCC)における最も魅力的な方法の1つであり,特に新規性検出における問題を解決する。SVDDは,大量の目標データと少数の異常値データによる分類を扱うのを助ける。しかしながら,カーネルマッピングにおける膨大な計算複雑性は,ターゲットデータの数が増加するにつれて,それを利用することを困難にする。訓練データサンプルのサイズを減らすために,サポートベクトルデータ記述(IESRSVDD)のための情報エントロピーベースのサンプル縮小と呼ばれる方法を導入した。本方法において,各々のデータサンプルの分布のために,情報エントロピーを計算した。各サンプル間の距離を用いて,各サンプルの不確実性の確率を評価した。より高いエントロピー値を有するサンプルは,カーネル空間におけるデータ分布の境界の近くにあると考えられ,サポートベクトルになる可能性がある。閾値より低いエントロピー値を有するすべてのサンプルを除外した。従来のSVDDの更新された目的関数を,サンプル削減のためにこの方法で使用する。提案したIESRSVDDの革新的なハイライトは以下の通りである。(i)情報エントロピーに基づく訓練サンプルを減らし,(ii)訓練プロセスをスピードアップするためにSVDDにサンプル縮小を導入し,(iii)IESRSVDDの実現可能性と有効性を検証し,分析した。実験結果は,提案方法が訓練集合のスケールを減らすことによって,より速い訓練速度を達成できることを示した。計算時間は50~75%減少し,分類精度は向上した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *エントロピー ,  目的関数 ,  *ベクトル ,  不確実性 ,  計算量 ,  異常値
準シソーラス用語： 分類精度 ,  カーネル空間 ,  訓練データ ,  *情報エントロピー , 【Automatic Indexing@JST】

著者キーワード (4件)： サポートベクトルデータ記述 ,  情報エントロピー ,  サンプル削減 ,  1クラス分類

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： ベクトル ,  データ記述 ,  情報エントロピー ,  サンプル