文献

J-GLOBAL ID：201902257615425546   整理番号：19A0512066

カーネルリスク感受性損失:定義,特性およびロバスト適応フィルタリングへの応用【JST・京大機械翻訳】

Kernel Risk-Sensitive Loss: Definition, Properties and Application to Robust Adaptive Filtering

著者 (6件)： Chen Badong (Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University, Xi’an, China) ,  Xing Lei (Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University, Xi’an, China) ,  Xu Bin (School of Automation, Northwestern Polytechnical University, Xi’an, China) ,  Zhao Haiquan (School of Electrical Engineering, Southwest Jiaotong University, Chengdu, China) ,  Zheng Nanning (Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University, Xi’an, China) ,  Principe Jose C. (Department of Electrical and Computer Engineering, University of Florida, Gainesville, FL, USA)
資料名： IEEE Transactions on Signal Processing  (IEEE Transactions on Signal Processing)
巻： 65  号： 11  ページ： 2888-2901  発行年： 2017年 
JST資料番号： C0228A  ISSN： 1053-587X  CODEN： ITPRED  資料種別： 逐次刊行物 (A)
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： カーネル空間において定義された非線形類似性測度は,相関性のように,データの高次統計を抽出することができ,特に非Gauss信号処理と機械学習において,それらの線形対応物に対する潜在的に有意な性能改善を提供する。本論文では,カーネル空間における新しい類似性測度を提案し,カーネルリスク敏感損失(KRSL)と呼び,いくつかの重要な特性を提供した。KRSLを適応フィルタリングに適用し,ロバスト性を検討し,MKRSLアルゴリズムを開発し,平均二乗収束性能を解析した。相関性と比較して,KRSLは,より効率的性能表面を提供することができ,それにより,異常値に対するロバスト性を維持しながら,より速い収束速度とより高い精度を達成するために,勾配ベースの方法を可能にした。理論解析結果と新しいアルゴリズムの優れた性能をシミュレーションにより確認した。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： 測度 ,  アルゴリズム ,  異常値 ,  高次統計量 ,  信号処理 ,  *ロバスト性 ,  *適応フィルタリング ,  機械学習 ,  類似性 ,  線形性 ,  *感受性
準シソーラス用語： 理論解析 ,  収束速度 ,  カーネル空間 , 【Automatic Indexing@JST】

分類 (1件)： 信号理論  (ND02020G)

タイトルに関連する用語 (8件)： カーネル ,  リスク ,  感受性 ,  損失 ,  定義 ,  ロバスト ,  適応フィルタリング ,  応用