抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文では,基底関数の最適集合を進化させるために,Kaizenプログラミングと呼ばれる遺伝的プログラミングの拡張版を組み合わせた,シンバル回帰問題に対するハイブリッド基底関数構築法(GP-RVM)を提案した。単一個体が完全な解である従来の進化アルゴリズムと異なり,著者らの方法は進化過程の間に個体から構築された基底関数の線形結合に基づく解を提案する。スパースBayesカーネル法であるRVMは,基底を構成するための適切な関数を選択する。RVMは,その品質とスパース性を評価することにより,機能の後部重みを決定する。GP-RVMにより生成された解は,多くの非線形関数の係数のスパースBayes線形モデルである。ハイブリッドアプローチは,データに関する事前知識なしでロバストな予測を構築するために,関数の正しい組合せを選択する非線形白色ボックスモデルに焦点を合わせた。実験結果は,GP-RVMが従来の方法より優れていることを示して,それはSRを解明するための効率的で正確な技術であることを示唆した。Mが基底集合における関数の数であるO(M3)におけるGP-RVMスケールの計算複雑性は,訓練パターンの数Nより典型的にはるかに小さい。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】