文献

J-GLOBAL ID：201902219442397204   整理番号：19A2402322

概念進化によるストリーミング分類のための計量学習ベースフレームワーク【JST・京大機械翻訳】

Metric Learning based Framework for Streaming Classification with Concept Evolution

著者 (5件)： Wang Zhuoyi (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Tao Hemeng (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Kong Zelun (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Chandra Swarup (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA) ,  Khan Latifur (Department of Computer Science, The University of Texas at Dallas, Richardson, TX, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： IJCNN  ページ： 1-8  発行年： 2019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： 連続的に発生するデータインスタンスのストリーム上のラベル予測における主要な課題は,未知または新しいクラスに属するインスタンスの出現である。優れた予測性能のために,ストリームに沿って迅速にそのような新しいクラスのインスタンスを検出することは不可欠である。新しいクラス検出を実行する既存の技術は,同一クラス(クラス内)に属するインスタンスがクラス間サンプル(分離)よりも互いに近いことを観察することにより,クラスタリングに基づくメカニズムを典型的に用いる。これは一般的に低次元特徴空間において真であるが,そのような性質は画像やテキストのような複雑な実世界高次元特徴空間におけるインスタンス間では固有ではないことを観測した。本論文では,データストリーム分類器の予測性能に負に影響するこの重要な課題に焦点を当てた。具体的には,高次元特徴を潜在的特徴空間に変換し,上記の性質を実現するメトリック学習機構を開発した。分類タスクに焦点を合わせた既存のメトリック学習法とは異なり,著者らのアプローチは新しいクラス検出とストリーム分類を同時に扱う。著者らは,既存の最先端の検出技術と比較してより大きな予測性能を達成するために流れに沿ったフレームワークを示し,一方,検出中に最小量のラベル付きデータを用いた。シミュレーションと実世界の流れに関する広範な実験結果により,本手法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： *ストリーミング ,  高次元 ,  クラスタ化 ,  予測 ,  有効性 ,  *学習 ,  検出法 ,  画像
準シソーラス用語： メトリック学習 ,  データストリーム ,  テキスト ,  特徴空間 ,  低次元 ,  予測性能 , 【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 (7件)： 概念 ,  進化 ,  ストリーミング ,  分類 ,  計量 ,  学習 ,  フレームワーク