文献

J-GLOBAL ID：202002232581300330   整理番号：20A1111929

Laplace固有マップに基づく不均衡分類のためのオーバーサンプリングフレームワーク【JST・京大機械翻訳】

An oversampling framework for imbalanced classification based on Laplacian eigenmaps

著者 (4件)： Ye Xiucai (Department of Computer Science, University of Tsukuba, Tsukuba, Ibaraki 305-8577, Japan) ,  Li Hongmin (Department of Computer Science, University of Tsukuba, Tsukuba, Ibaraki 305-8577, Japan) ,  Imakura Akira (Department of Computer Science, University of Tsukuba, Tsukuba, Ibaraki 305-8577, Japan) ,  Sakurai Tetsuya (Department of Computer Science, University of Tsukuba, Tsukuba, Ibaraki 305-8577, Japan)
資料名： Neurocomputing  (Neurocomputing)
巻： 399  ページ： 107-116  発行年： 2020年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 不均衡分類は機械学習とデータマイニングにおける挑戦的問題である。合成的最小オーバーサンプリング技術(SMOTE)のようなオーバーサンプリング法は,不均衡分類のためのデータバランスを達成するための合成データを生成する。しかし,このような種類のオーバーサンプリング法は,データがよく分離されていない場合に不要な雑音を発生させる。一方,不適切な訓練データと膨大な試験データによる多くの応用があり,不均衡な分類をより困難にしている。本論文では,次の2つの目的を達成するための新しいオーバーサンプリングフレームワークを提案した。(1)SMOTEに基づくオーバーサンプリング法の分類結果を改善する。(2)訓練データが不十分な場合に適用可能なSMOTEに基づくオーバーサンプリング法を実現する。提案フレームワークは,データがよく分離され,SMOTEに基づくオーバーサンプリング法による雑音の発生が避けられる最適次元空間を見出すために,Laplace固有マップを利用する。グラフLaplaceの構築は,不均衡な学習を容易にするために非標識試験データから有用な情報を探索するだけでなく,学習プロセスを増分させる。いくつかのベンチマークデータセットに関する実験結果は,提案したフレームワークの有効性を実証した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *雑音 ,  写像 ,  有効性 ,  ベンチマーク ,  機械学習 ,  データマイニング
準シソーラス用語： *オーバサンプリング ,  不均衡 ,  訓練データ ,  学習過程 ,  試験データ ,  不均衡データ , 【Automatic Indexing@JST】

著者キーワード (4件)： 不均衡データ ,  オーバーサンプリング ,  SMOTE ,  Laplace固有写像

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： 固有 ,  マップ ,  均衡 ,  分類