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。
線形特徴抽出法はパターン認識において不可欠なツールになっている。線形次元縮小は線形変換を生成するためのいくつかの目的を最適化し,同様にラベルされたサンプルが強固にクラスタ化され,異なるラベル化されたサンプルが互いに離れているような識別低次元変換データを導き出す。過去において,ほとんどの方法はクラス間距離を最大化することによりクラス間距離を達成し,異なるラベル付きサンプルを互いに分離した。しかし,クラスマージンまたはハードサンプルと呼ばれる他のクラス内に位置する本研究におけるサンプルは,しばしばゆっくりと動き,小さなクラス間距離をもたらし,分類性能を悪化させる。したがって,著者らは,クラスの中心に向かってハードサンプルのみを迅速に押すために大マージン最近傍(LMNN)を利用し,クラス間の代わりに大きなクラスマージンを得て,分類の性能をさらに向上させた。線形判別分析(LDA)と組み合わせて,LDA-LMNNと呼ばれる新しい線形特徴抽出法を提案した。この方法はLDAの限界に対処できる。さらに,ドロップアウトを線形変換行列の学習に採用し,一般化能力を改善し,オーバーフィッティングを克服した。最先端の特徴抽出法を用いた種々の実世界データセットに関する比較実験により,提案した方法の有効性を実証した。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】