文献

J-GLOBAL ID：201902221233886729   整理番号：19A2418982

教師なし特徴選択のための適応グラフ融合【JST・京大機械翻訳】

Adaptive Graph Fusion for Unsupervised Feature Selection

著者 (4件)： Niu Sijia (College of Intelligence and Computing, Tianjin University, Tianjin, China) ,  Zhu Pengfei (College of Intelligence and Computing, Tianjin University, Tianjin, China) ,  Hu Qinghua (College of Intelligence and Computing, Tianjin University, Tianjin, China) ,  Shi Hong (College of Intelligence and Computing, Tianjin University, Tianjin, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11728  ページ： 3-15  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
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： 大量の高次元データは,学習モデルの大きな時間複雑性,高い貯蔵負荷,および貧弱な一般化能力をもたらす。特徴選択は,特徴の部分集合を選択することによって次元のcurを軽減することができる。教師なし特徴選択はラベル情報の欠如のために非常に困難である。ほとんどの方法は,教師なし設定における特徴選択をガイドするために,擬似ラベルを生成するためのスペクトルクラスタリングに依存している。スペクトルクラスタリングのためのグラフは,異なる方法,例えばカーネル類似性または自己表現において構築することができる。隣接グラフの構築は,カーネル関数,最近傍の数または近傍のサイズのパラメータによって影響を受けることができた。しかしながら,教師なし特徴選択における異なるグラフの有効性を評価することは困難である。ほとんどの既存のアルゴリズムは経験によって1つのグラフを選択するだけである。本論文では,新しい適応マルチグラフ融合ベースの教師なし特徴選択モデル(GFFS)を提案した。提案したモデルはグラフ選択がなく,異なるグラフの相補的情報を結合できる。ベンチマークデータセットに関する実験は,GFFSが最先端の教師なし特徴選択アルゴリズムより優れていることを示した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  アルゴリズム ,  類似性 ,  ベンチマーク ,  *グラフ ,  *特徴選択 ,  部分集合 ,  有効性
準シソーラス用語： Kernel関数 ,  自己表現 ,  スペクトラルクラスタリング ,  複雑性 ,  高次元データ , 【Automatic Indexing@JST】

著者キーワード (3件)： グラフ融合 ,  教師なし特徴選択 ,  自己表現

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 教師 ,  特徴選択 ,  適応 ,  グラフ ,  融合