文献

J-GLOBAL ID：202102226531877120   整理番号：21A2621401

重み付き共有損失と最大マージン基準によるロバストな教師つきマルチビュー特徴選択【JST・京大機械翻訳】

Robust supervised multi-view feature selection with weighted shared loss and maximum margin criterion

著者 (4件)： Lin Qiang (College of Science, China Agricultural University, Beijing, 100083, China) ,  Yang Liran (College of Information and Electrical Engineering, China Agricultural University, Beijing, 100083, China) ,  Zhong Ping (College of Science, China Agricultural University, Beijing, 100083, China) ,  Zou Hui (College of Science, China Agricultural University, Beijing, 100083, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 229  ページ： Null  発行年： 2021年 
JST資料番号： T0426A  ISSN： 0950-7051  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： 教師つきマルチビュー特徴選択は,最近,データの次元を低減するための妥当な方法であることが証明されている。本論文では,重み付き共有損失と最大マージン基準に基づくロバスト教師つき多視点特徴選択法を提案した。具体的には,全ての加重ビューを融合し,ビューの相補的情報を維持するための共有損失項を確立し,各視点の重みを最終タスクへのその寄与に従って自動的に調整することができた。さらに,損失を測定し,潜在的異常値を除去するため,広く使用されたl2ノルムよりもキャップ付きl2ノルムを採用した。さらに,特徴選択に最大マージン基準(MMC)を導入し,提案モデルに関連する適切な正則化であるような重み付きビューベースMMCを設計した。この方法で,データのクラス間およびクラス内構造情報を十分に活用し,異なるクラスに属するサンプルのマージンと,同じクラスに属するサンプルのマージンを縮小する。次に,すべての見解の識別特性を選択した。対応する問題は,乗算器(ADMM)の交互方向方法によって解決することができて,それは見解-ブロック計算を実現して,計算複雑性を減少することができた。種々のベンチマークデータセットに関する総合的実験および油圧システムへの適用は,著者らの方法の有効性を確認した。Copyright 2021 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： 乗算器 ,  *特徴選択 ,  計算量 ,  正則化 ,  異常値 ,  有効性 ,  油圧システム ,  ベンチマーク ,  *ロバスト性 ,  ノルム
準シソーラス用語： *マルチビュー , 【Automatic Indexing@JST】

著者キーワード (5件)： 多視点学習 ,  重み付き共有損失 ,  最大マージン基準 ,  ロバスト性 ,  特徴選択

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 共有 ,  損失 ,  ロバスト ,  教師 ,  マルチビュー ,  特徴選択