文献

J-GLOBAL ID：202002265691058048   整理番号：20A2764643

バイオ信号の生成モデリングに対するパラメータ化データへの効果的な多様体学習アプローチ【JST・京大機械翻訳】

An Effective Manifold Learning Approach to Parametrize Data for Generative Modeling of Biosignals

著者 (3件)： Manoni Lorenzo (Dipartimento di Ingegneria dell’Informazione (DII), Universita` Politecnica delle Marche, Ancona, Italy) ,  Turchetti Claudio (Dipartimento di Ingegneria dell’Informazione (DII), Universita` Politecnica delle Marche, Ancona, Italy) ,  Falaschetti Laura (Dipartimento di Ingegneria dell’Informazione (DII), Universita` Politecnica delle Marche, Ancona, Italy)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 207112-207133  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： 生理学的システムによって生成されたモデリングデータは,分類,信号再構成およびデータ増強のような多くの問題における重要なステップである。しかし,バイオ信号からサンプリングされた高次元データからの適切なモデルを見つけることは,一般的に「次元のurse」として知られている問題により実行不可能であった。いくつかの低次元空間におけるデータを表す次元縮小は,これらのデータを取り扱うために一般的に採用される技術である。この文脈において,多様体学習は有望な非線形次元縮小法として大きな興味を引いている。それにもかかわらず,多様体学習に基づく方法の主な欠点は,それらが多様体に属するデータの明示的なモデルを持たないことを暗黙的に学習することである。この論文の目的は,多様体の局所的パラメータ化を表す陽関数を導くことによって,バイオ信号の生成モデリングのためのデータをパラメータ化するための多様体学習アプローチを開発することである。この手法は2つの主な段階,i)データの固有次元の推定,多様体の次元,ii)多様体の局所パラメータ化を表す関数の推定を含む。合成および実世界データに関する実験結果は,提示した手法の有効性を示した。データの教師なし学習のためのアルゴリズムのソースコードは,https://codeocean.com/capsule/6692152/tree/v3で利用可能である。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 ,  *多様体 ,  教師なし学習 ,  有効性 ,  次元縮小 ,  パラメタリゼーション
準シソーラス用語： ソースコード ,  信号再構成 ,  *多様体学習 ,  低次元 ,  高次元データ ,  非線形次元縮小 , 【Automatic Indexing@JST】

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

タイトルに関連する用語 (3件)： モデリング ,  パラメータ化 ,  多様体学習