文献

J-GLOBAL ID：202002234157764560   整理番号：20A2220608

平坦ランダムフォレスト:深層森林へのより良いトレーニング効率と適応モデルサイズのための新しいアンサンブル学習法【JST・京大機械翻訳】

Flat random forest: a new ensemble learning method towards better training efficiency and adaptive model size to deep forest

著者 (4件)： Liu Peng (National Joint Engineering Laboratory of Internet Applied Technology of Mines, China University of Mining and Technology, Xuzhou, Jiangsu, China) ,  Wang Xuekui (Alibaba Group, Hangzhou, Zhejiang, China) ,  Yin Liangfei (School of Information and Control Engineering, China University of Mining and Technology, Xuzhou, Jiangsu, China) ,  Liu Bing (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, Jiangsu, China)
資料名： International Journal of Machine Learning and Cybernetics  (International Journal of Machine Learning and Cybernetics)
巻： 11  号： 11  ページ： 2501-2513  発行年： 2020年 
JST資料番号： W4478A  ISSN： 1868-8071  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： 深いニューラルネットワークの既知の欠陥は,劣った訓練効率,弱い並列化能力,多くのハイパーパラメータなどを含んでいる。これらの問題に取り組むために,いくつかの研究者は,いくつかの重要な改良を達成するが,不十分な訓練効率,不可撓性モデルサイズ,および弱い解釈可能性を維持する,深い森林,特別な深い学習モデルを示した。本論文では,新しい方法における課題を解決することを試みた。最初に,深い森林は,予測正確さを強化するために,高密度に接続した深い森林に拡大した。第2に,適応モデルサイズによる並列訓練を実行するために,平坦ランダムフォレストを,高密度に接続した深い森林の幅と深さの間の釣合を達成することによって提案した。最後に,2つのコアアルゴリズムを,フォワード出力重量計算と出力重み更新のためにそれぞれ提示した。実験結果は,深い森林と比較して,提案したフラットランダムフォレストが,競合予測精度,より高い訓練効率,より少ないハイパーパラメータおよび適応モデルサイズを獲得することを示した。Copyright Springer-Verlag GmbH Germany, part of Springer Nature 2020 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 ,  学習モデル ,  ニューラルネットワーク ,  柔軟性 ,  *釣合 ,  深層
準シソーラス用語： *アンサンブル学習 ,  予測精度 ,  *ランダムフォレスト ,  ハイパーパラメータ , 【Automatic Indexing@JST】

著者キーワード (4件)： アンサンブル学習 ,  平坦ランダムフォレスト ,  トレーニング効率 ,  サイズ適応モデル

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (8件)： 平坦 ,  ランダムフォレスト ,  深層 ,  森林 ,  トレーニング ,  適応モデル ,  サイズ ,  アンサンブル