文献

J-GLOBAL ID：202002214981190301   整理番号：20A0715339

非対称Gauss混合とBayes推定に基づくソフトコンピューティングモデル【JST・京大機械翻訳】

A soft computing model based on asymmetric Gaussian mixtures and Bayesian inference

著者 (2件)： Fu Shuai (Concordia Institute for Information Systems Engineering, Concordia University, Montreal, Canada) ,  Bouguila Nizar (Concordia Institute for Information Systems Engineering, Concordia University, Montreal, Canada)
資料名： Soft Computing  (Soft Computing)
巻： 24  号： 7  ページ： 4841-4853  発行年： 2020年 
JST資料番号： W1043A  ISSN： 1432-7643  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： 非対称Gauss混合(AGM)統計モデルに基づく新しい教師なしBayes学習フレームワークを,AGMが古典的Gauss混合モデルと比較してより効果的であることを示すので,提案した。Bayes学習フレームワークを,サンプリングベースのMarkov連鎖モンテカルロ(MCMC)方法論を採用することによって開発した。より正確には,基本学習アルゴリズムは,混合パラメータ学習プロセスを通してモデル転送を可能にする自己適応サンプリングベースの実装である可逆ジャンプMCMC学習フレームワーク内に統合されたGibbsサンプリング解内のハイブリッドMetropolis-Hastingsであり,従ってデータグループの最適数に自動的に収束する。さらに,特徴の高次元ベクトルを扱うために,分布の混合物に基づく次元縮小アルゴリズムを,無関係で外部の特徴に取り組むために含めた。AGMと他の一般的モデルの間の性能比較を与え,侵入検出,スパムフィルタリング,画像分類などの挑戦的応用から抽出した合成と実データセットの両方を評価し,提案した手法の利点を示した。Copyright Springer-Verlag GmbH Germany, part of Springer Nature 2019 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 統計模型 ,  ベクトル ,  モンテカルロ法 ,  Markov連鎖 ,  学習アルゴリズム ,  高次元 ,  *Bayes推定 ,  アルゴリズム ,  *非対称性 ,  次元縮小 ,  学習
準シソーラス用語： Gibbsサンプリング ,  MCMC ,  Gauss混合モデル ,  Bayes学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 非対称Gauss混合 ,  RJmcmC ,  侵入検知 ,  スパムフィルタリング ,  画像分類 ,  次元縮小

分類 (3件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (2件)： 非対称 ,  Bayes推定