文献

J-GLOBAL ID：201902262065271293   整理番号：19A1382342

機械学習における多様性【JST・京大機械翻訳】

Diversity in Machine Learning

著者 (3件)： Gong Zhiqiang (National Key Laboratory of Science and Technology on ATR, College of Electronic Science and Technology, National University of Defense Technology, Changsha, China) ,  Zhong Ping (National Key Laboratory of Science and Technology on ATR, College of Electronic Science and Technology, National University of Defense Technology, Changsha, China) ,  Hu Weidong (National Key Laboratory of Science and Technology on ATR, College of Electronic Science and Technology, National University of Defense Technology, Changsha, China)
資料名： IEEE Access  (IEEE Access)
巻： 7  ページ： 64323-64350  発行年： 2019年 
JST資料番号： W2422A  ISSN： 2169-3536  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： 機械学習法は良好な性能を達成し,様々な実世界応用に広く適用されている。それらはモデルを適応的に学習することができ,異なるタスクの特別な要求に対してより良く適合することができる。一般的に,良好な機械学習システムは,豊富な訓練データ,良好なモデル訓練プロセス,および正確な推論から構成されている。多くの因子は機械学習プロセスの性能に影響を及ぼすことができ,その中で機械学習プロセスの多様性は重要なものである。多様性は,全体的に良好な機械学習を保証するために各手順を支援することができる。訓練データの多様性は,訓練データがモデルのためのより多くの識別情報を提供できることを保証する。学習モデルの多様性(異なるベースモデルの間の多様性)は,各パラメータ/モデルが特異的または補完的情報を獲得する。そして,それらの各々が特定の妥当な局所最適結果に対応する多重選択を提供することができる。多様性が機械学習プロセスにおいて重要な役割を果たすにもかかわらず,機械学習システムにおける多様化の体系的解析は存在しない。本論文では,機械学習プロセスにおけるデータの多様化,モデルの多様化,および推論の多様化を行う方法を体系的に要約した。さらに,多様性技術が機械学習性能を改善する典型的な応用を,リモートセンシング画像処理,機械翻訳,カメラ再局在化,画像セグメンテーション,オブジェクト検出,トピックモデリング,その他を含めて調査した。最後に,機械学習における多様性技術のいくつかの課題を論じ,将来の研究におけるいくつかの方向を指摘した。著者らの解析は機械学習タスクにおける多様性技術のより深い理解を提供し,したがって,実世界応用のためのより効果的なモデルの設計と学習を助けることができる。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： 多重化 ,  機械翻訳 ,  学習モデル ,  モデリング ,  モデル ,  *機械学習 ,  多様化 ,  カメラ
準シソーラス用語： 物体検出 ,  画像セグメンテーション ,  局在化 ,  リモートセンシング画像 ,  識別子 ,  訓練データ , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 機械学習 ,  多様性