文献

J-GLOBAL ID：201902214905089460   整理番号：19A0639850

転送回帰のための非クラッタ領域サブ類似性モデリング【JST・京大機械翻訳】

Uncluttered Domain Sub-Similarity Modeling for Transfer Regression

著者 (4件)： Wei Pengfei ,  Sagarna Ramon ,  Ke Yiping ,  Ong Yew Soon
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICDM  ページ： 1314-1319  発行年： 2018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： ドメイン類似性をモデル化することができて,ドメインを横切る知識移転を適応的に制御することができる伝達共分散関数は,ガウス過程(GP)ベースの移動学習において広く使用される。ブラックボックス学習シナリオにおける回帰問題に焦点を合わせ,複数のカーネル学習を通してドメインの類似性不均一性をモデル化できる,むしろ一般的な伝達共分散関数T_*のファミリーを研究した。(i)任意のデータに対してT_*を用いてGPsを検証し,(ii)意味論的解釈を与える必要十分条件を与えた。さらに,この条件に基づいて,ドメインの異なるサブ類似性を明示的に捉えることができる計算的に安価なモデル学習ルールを提案した。一つの合成データセットと四つの実世界データセットに関する広範な実験により,サブ類似性捕捉と転送性能に関する学習GPの有効性を実証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *クラッタ ,  捕獲 ,  意味論 ,  学習 ,  Gauss過程 ,  有効性 ,  ブラックボックス ,  *モデリング ,  *類似性 ,  不均一性
準シソーラス用語： 低価格 ,  必要十分条件 ,  Kernel法 ,  共分散関数 ,  知識移転 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 転送 ,  クラッタ ,  サブ ,  類似性 ,  モデリング