文献

J-GLOBAL ID：202002219256463009   整理番号：20A0433574

幾何学的洞察からの局所-大域計量学習フレームワーク【JST・京大機械翻訳】

A Local-to-Global Metric Learning Framework From the Geometric Insight

著者 (4件)： Peng Yaxin (Department of Mathematics, School of Science, Shanghai University, Shanghai, China) ,  Zhang Nijing (Department of Mathematics, School of Science, Shanghai University, Shanghai, China) ,  Li Ying (School of Computer Engineering and Science, Shanghai University, Shanghai, China) ,  Ying Shihui (Department of Mathematics, School of Science, Shanghai University, Shanghai, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 16953-16964  発行年： 2020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： 計量はサンプル間の類似性の記述において重要な役割を果たす。データのための適切な計量は,それらの分布をよく表すことができて,学習作業の性能をさらに促進することができた。本論文では,データの不均一分布をより良く記述するために,幾何学的洞察から半教師つき局所対大域メトリック学習フレームワークを提案した。著者らの貢献をまとめることができた。第一に,局所的計量学習の応用範囲を拡大するために,著者らは著者らの滑らかに接着した非線形計量モデルに正則化項として教師なし情報を導入した。第二に,二つの異なる損失項を持つ二つの異なる非線形半教師つき計量学習モデルを提案し,比較結果により,平滑損失がヒンジ損失よりも優れていることを見出した。第3に,2つのメトリック学習モデルだけでなく,局所的計量に基づく非線形メトリック学習フレームワークも確立した。それは,線形および非線形計量学習だけでなく,教師つきおよび半教師つきを含む。さらに,著者らは,滑らかな三重項制約損失を有する著者らの半教師つき非線形計量学習モデルの実用化のために,正定数多様体上の固有最急降下アルゴリズムを提示した。最後に,種々のデータセットに関するいくつかの最先端の方法と著者らのアプローチを比較した。結果は,分類のロバスト性と精度が両方とも著者らの計量の下で改善されることを確証する。Copyright 2020 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： アルゴリズム ,  ロバスト性 ,  多様体 ,  *学習 ,  正則化 ,  ヒンジ ,  類似性 ,  学習モデル ,  最急降下法 ,  線形性
準シソーラス用語： メトリック学習 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 幾何学 ,  洞察 ,  計量 ,  学習 ,  フレームワーク