文献

J-GLOBAL ID：201902282106608758   整理番号：19A2509371

1クラス分類のための境界を記述しない動的超球SVDD【JST・京大機械翻訳】

Dynamic hypersphere SVDD without describing boundary for one-class classification

著者 (5件)： Wang Jianlin (College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, China) ,  Liu Weimin (College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, China) ,  Qiu Kepeng (College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, China) ,  Xiong Huan (College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, China) ,  Zhao Liqiang (College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, China)
資料名： Neural Computing & Applications  (Neural Computing & Applications)
巻： 31  号： 8  ページ： 3295-3305  発行年： 2019年 
JST資料番号： W0703A  ISSN： 0941-0643  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： サポートベクトルデータ記述(SVDD)は,効率的な1クラス分類法であり,同じクラスデータの周りの球面形状境界を捕捉し,サポートベクトル(SV)に関連する境界を設定するための分類を達成する。SVDDは高次元空間において不規則な超球を構成するので,分類境界を一定値に保つことは不合理である。分類データセットが複雑であるとき,一定の分類境界は分類の精度を減少させる。本論文では,1クラス分類のための境界を記述することなく,動的超球面SVDD(DH-SVDD)を提示した。訓練プロセスにおいて,訓練データセットの重要なSVは,静的超球面を記述する。試験プロセスにおいて,試験サンプルと訓練データセットの新しい重要なSVに従って,動的超球を記述した。超球構造の著しい変化があるならば,それは新しいサンプルが異常値であることを意味する。本方法において,分類境界なしで,それは新しいサンプルと歴史的データセットの関連情報を完全に考慮することによって,完全に1クラス分類を完成することができた。したがって,それは複雑なデータセットにおけるSVDDの1クラス分類精度を著しく改善することができる。提案したDH-SVDD,KチャートSVDD,Max限界SVDD,および検証限界SVDDの間で比較を行った。提案した方法の有効性も実験的UCIデータセットにより検証した。Copyright 2017 The Natural Computing Applications Forum Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 高次元 ,  球面 ,  *異常値 ,  有効性
準シソーラス用語： 訓練データ , 【Automatic Indexing@JST】

著者キーワード (4件)： サポートベクトルデータ記述 ,  1クラス分類 ,  機械学習 ,  動的超球

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 (4件)： 1クラス分類 ,  境界 ,  記述 ,  球