文献

J-GLOBAL ID：201902227201801114   整理番号：19A1575801

正則化パラメータによるELMベースのリッジ回帰の性能【JST・京大機械翻訳】

The performance of ELM based ridge regression via the regularization parameters

著者 (2件)： Yildirim Hasan (Karamanoglu Mehmetbey University, Kamil Ozdag Faculty of Science, Department of Statistics, Karaman, 72100, Turkey) ,  Revan OEzkale M. (Department of Statistics, Faculty of Science and Letters, Cukurova University, Adana, Turkey)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 134  ページ： 225-233  発行年： 2019年 
JST資料番号： W0178A  ISSN： 0957-4174  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： 単一層フィードフォワードニューラルネットワークである極端な学習機械(ELM)は,非常に速い訓練速度と良好な一般化性能を提供する。しかし,ELMは,そのそれぞれの欠点を持っている。それは,悪条件データに敏感であることが知られている。ELMにおける不良条件問題を克服するために,リッジ回帰(RR-ELM)に基づくELMを提案した。RR-ELMはバイアスされた方法であるので,ある程度バイアスを低減するために,ほとんどバイアスされていないリッジ回帰(AUR-ELM)に基づくELMを提案した。多重共線性の存在で導入されたRR-ELMとAUR-ELMは正則化パラメータに依存する。正則化パラメータはRR-ELMとAUR-ELMの両方の性能に影響する。正則化パラメータの選択に関するコンセンサスはない。正則化パラメータを選択するための線形回帰には様々な方法があるが,平均二乗誤差を最小化する選択に基づく一つの方法のみがRR-ELMに使用されている。本研究では,RR-ELMとAUR-ELMの文脈におけるAIC,BICおよびCV基準を,正則化パラメータの選択のための代替法として提案した。機械学習研究で広く知られ,使用されている8つのデータセットについて実験的研究を行った。分析は,エキスパートシステムと機械学習の最も重要な分野である回帰研究のための目的と考えられる。得られた結果は,正則化パラメータの選択法が,ELMと比較した場合,RR-ELMとAUR-ELMの一般化と特に安定性性能の両方に著しく効果的であることを実証した。Copyright 2019 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： 単一層 ,  エキスパートシステム ,  多重化 ,  *正則化 ,  機械学習
準シソーラス用語： モデル選択 ,  選択法 ,  平均二乗誤差 ,  線形回帰 ,  極度学習機械 ,  フィードフォワードニューラルネットワーク ,  *リッジ回帰 ,  *正則化パラメータ , 【Automatic Indexing@JST】

著者キーワード (5件)： 極端学習機械 ,  リッジ回帰 ,  ほぼ不偏なリッジ回帰 ,  正則化極端学習機械 ,  モデル選択

分類 (2件)： 人工知能  (JE08000Z) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (3件)： 正則化パラメータ ,  ELM ,  リッジ回帰