文献

J-GLOBAL ID：202002226480283692   整理番号：20A0900403

辞書的プログラミングによるブースティング:コスト調整のないクラス不均衡のアドレッシング【JST・京大機械翻訳】

Boosting with Lexicographic Programming: Addressing Class Imbalance without Cost Tuning

著者 (3件)： Datta Shounak (Electronics and Communication Sciences Unit, Indian Statistical Institute, Kolkata, West Bengal, India) ,  Nag Sayak (DST Center of Excellence, Center of Atmospheric Sciences, Indian Institute of Technology, Delhi, India) ,  Das Swagatam (Electronics and Communication Sciences Unit, Indian Statistical Institute, Kolkata, West Bengal, India)
資料名： IEEE Transactions on Knowledge and Data Engineering  (IEEE Transactions on Knowledge and Data Engineering)
巻： 32  号： 5  ページ： 883-897  発行年： 2020年 
JST資料番号： T0838A  ISSN： 1041-4347  CODEN： ITKEEH  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： 大量の研究努力が,不均衡な分類のためのブースティングを適応させるために専用されてきた。しかし,特にマルチクラス問題に対しては,ブースティング法は,クラス不均衡に対して満足に免疫されていない。これは,クラス不均衡を扱うための既存の解の大部分が,補償の適切なレベルを決定するための高価なコストセットチューニングに依存しているためである。ブースト集合の成分分類器に対する重みの割当は,マージン空間におけるクラス間のWarのTuggのゲームと考えられることを示した。次に,この洞察を用いて,不均衡分類のための基準であるコストセットチューニングに頼ることなく,稀なクラスと豊富なクラスの間の良好な妥協を得ることができることを実証した。この解法は,2つの段階を必要とする辞書型線形計画法フレームワークに基づいている。最初に,クラス特異的成分重み組合せを見出し,各クラスに対して個別にヒンジ損失を最小化した。続いて,最終的な成分重みを割り当てて,クラス固有の最小損失値(以前の段階で得られた)からの最大偏差を最小化した。したがって,提案は2クラスの状況に限定されるだけでなく,多クラス問題にも容易に適用できる。さらに,提案フレームワークに対応する二重定式化も導出した。人工および実世界の不均衡データセットについて実験を行い,ハイパースペクトル画像分類およびImageNet分類のような挑戦的応用により,提案の有効性を確立した。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： 線形計画法 ,  ゲーム ,  ヒンジ ,  *同調 ,  番地付 ,  有効性 ,  定式化
準シソーラス用語： 不均衡 ,  *ブースティング ,  不均衡データセット ,  クラス不均衡 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 辞書 ,  プログラミング ,  ブースティング ,  クラス不均衡 ,  アドレッシング