文献

J-GLOBAL ID：201902236072628244   整理番号：19A1660978

局所性密度に基づくファジィ多重経験的カーネル学習【JST・京大機械翻訳】

Locality Density-Based Fuzzy Multiple Empirical Kernel Learning

著者 (5件)： Fan Qi (Key Laboratory of Advanced Control and Optimization for Chemical Processes, Ministry of Education, East China University of Science and Technology, Shanghai, People’s Republic of China) ,  Fan Qi (Department of Computer Science and Engineering, East China University of Science and Technology, Shanghai, People’s Republic of China) ,  Wang Zhe (Key Laboratory of Advanced Control and Optimization for Chemical Processes, Ministry of Education, East China University of Science and Technology, Shanghai, People’s Republic of China) ,  Wang Zhe (Department of Computer Science and Engineering, East China University of Science and Technology, Shanghai, People’s Republic of China) ,  Gao Daqi (Department of Computer Science and Engineering, East China University of Science and Technology, Shanghai, People’s Republic of China)
資料名： Neural Processing Letters  (Neural Processing Letters)
巻： 49  号： 3  ページ： 1485-1509  発行年： 2019年 
JST資料番号： W0953A  ISSN： 1370-4621  CODEN： NPLEFG  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： 複数の経験的カーネル学習(MEKl)は,サンプルを経験的特徴空間に明示的に写像し,その中で,マップされたサンプルの特徴ベクトルを明示的に提示する。このように,サンプルの明示的表現によって,ほとんどすべてのアルゴリズムは,直接的にカーネル化することができて,それは経験的特徴空間の構造を処理して,解析することにおいて非常に簡単であった。しかし,従来のMEKlでは,サンプルは1つの正確なクラスに属するように処理され,決定表面に同じ重要性を寄与する。しかしながら,多くの実世界応用において,入力サンプルは1つのクラスに完全に割り当てられない可能性がある。MEKlは,これらの試料を表すことにおいて,不明確な欠点を被っている。この問題を克服するために,各特徴空間における各写像サンプルにファジィメンバシップを割り当て,異なる特徴空間における異なるサンプルが決定曲面の学習に異なる寄与をすることができるファジィMEKl(FMEKL)にMEKlを再定式化した。さらに,より高い局所密度を有するサンプルに対してより大きなファジィメンバシップを割り当てる,局所性密度ベースのファジィメンバシップ評価と名付けた新しいファジィメンバシップ評価手法を提案した。したがって,局所性密度ベースのファジィメンバシップ評価を採用することによるFMEKLは,局所性デンシティベースのファジィ多重経験的カーネル学習(LD-FMEKL)と呼ばれる。平衡および不均衡実世界データセットに関する実験結果により,LD-FMEKLが比較アルゴリズムより優れていることを検証した。本研究の寄与は以下の通りである。(i)従来のMEKlをファジィ多重経験的カーネル学習に再定式化する。(ii)代替局所性密度ベースのファジィメンバシップ評価手法を導入する;(iii)局所密度ベースFMEKLを提案する。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： *局所性 ,  船舶 ,  *多重化 ,  機械学習 ,  定式化 ,  アルゴリズム ,  写像 ,  *曖昧さ
準シソーラス用語： 不均衡 ,  カーネル化 ,  特徴ベクトル ,  特徴空間 ,  *Kernel法 , 【Automatic Indexing@JST】

著者キーワード (5件)： 多重カーネル学習 ,  経験的カーネルマッピング ,  分類器設計 ,  ファジィメンバシップ ,  機械学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 局所性 ,  密度 ,  ファジィ ,  多重 ,  経験 ,  カーネル学習