抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
最初に,代理損失関数として指数関数を持つ経験的リスク最小化ベースの二値分類アルゴリズム,ExpERMを提案した。著者らのExpERMアルゴリズムは,特徴空間の次元およびデータ点数の両者においてスケーラブルであり,それは,正則化ExpERMフレームワークにおいて,単一制約を有する非制約微分可能凸最適化問題または凸最適化問題である。データの穏やかな仮定の下で,ExpERM分類器がユニークであることを示した。実データセットの広い収集(大規模特徴,大規模例)にExpERMを実装する。Wilcoxon符号付きランク検定を用いて,これらの容易に計算可能な分類器が,標準ヒンジ損失ベースSVMまたはAdaBoost分類器によって求めた分類器とは,それらの5または10倍交差検証誤差が,著しく異なるので,良好な一般化特性を有することを示した。いくつかの大きな特徴サイズのデータセットを用いて,SVMとExpERMの統計的比較を行い,ExpERMがモデルを訓練するのに時間を著しく短縮することを観測した。この簡単で効果的な学習アルゴリズムをよりよく理解するため,Rademacher複雑性と均一安定性概念に基づくExpERMに対する正則化ExpERMと高確率限界に対するサンプル複雑性限界のようなPACを得た。著者らの計算経験は,正則化がExpERMベースの分類器の性能を著しく改良しないことを示唆した。複合マルチクラスアルゴリズムの実装における二値分類器ルーチンに行うための反復呼び出しのために,ExpERMスキームは,かなり計算的に安く,従ってスケーラブルであることが期待される。多くのマルチクラスデータセット上のバイナリExpERM分類器のCV誤差が,計算的に高価なバイナリクラスSVMを用いて得られたものに匹敵することを統計的に示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】