文献

J-GLOBAL ID：201902220943864936   整理番号：19A1057166

ソーシャルイベント解析のためのマルチモーダルmaxマージン教師付きトピックモデル【JST・京大機械翻訳】

Multi-modal max-margin supervised topic model for social event analysis

著者 (7件)： Xue Feng (Hefei University of Technology, Hefei, China) ,  Wang Jianwei (Hefei University of Technology, Hefei, China) ,  Qian Shengsheng (National Lab of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing, China) ,  Zhang Tianzhu (National Lab of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing, China) ,  Liu Xueliang (Hefei University of Technology, Hefei, China) ,  Xu Changsheng (Hefei University of Technology, Hefei, China) ,  Xu Changsheng (National Lab of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing, China)
資料名： Multimedia Tools and Applications  (Multimedia Tools and Applications)
巻： 78  号： 1  ページ： 141-160  発行年： 2019年 
JST資料番号： W1102A  ISSN： 1380-7501  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文では,統一フレームワークにおける分類器と共に表現を共同的に学習することにより,社会イベント解析のための新しい多モード最大マージン教師つきトピックモデル(MMSTM)を提案した。既存の方法と比較して,提案したMMSTMモデルにはいくつかの利点がある。(1)提案したモデルは,生成モデルと最大マージン分類器におけるパラメータを共同的に学習するためのモデルの正則化項として分類器を利用することができ,予測損失関数を最小化することにより,表現モデルと最大マージン分類器のパラメータを学習するためにGibbsサンプリングを使用することができる。(2)提案したモデルは,社会的イベント表現のための複数のモダリティ間の潜在的トピック関連性を共同学習することにより,マルチモーダル特性を効果的にマイニングできるだけでなく,分類性能を高めるためにイベント分類のための識別最大マージン分類器を考慮することにより教師つき情報を利用する。(3)提案したモデルの有効性を検証するために,社会的イベント解析のための大規模実世界データセットを収集し,定性的および定量的評価結果の両方により,提案したMMSTMの有効性を実証した。Copyright 2018 Springer Science+Business Media, LLC, part of Springer Nature Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 損失関数 ,  *多モード ,  予測 ,  有効性 ,  正則化 ,  *モデル
準シソーラス用語： ソーシャルメディア ,  定量的評価 ,  協調学習 ,  モダリティ ,  Gibbsサンプリング ,  生成モデル ,  *トピックモデル , 【Automatic Indexing@JST】

著者キーワード (5件)： 社会的イベント分類 ,  マルチモーダル ,  MAXマージン ,  ソーシャルメディア ,  トピックモデル

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)： 解析 ,  マルチモーダル ,  Max ,  教師 ,  トピックモデル