文献

J-GLOBAL ID：202102228643138769   整理番号：21A0234501

パッチ上での回帰学習【JST・京大機械翻訳】

Regression learning on patches

著者 (2件)： Frochte Joerg (Bochum University of Applied Sciences,Heiligenhaus,Germany,D 42579) ,  Marsland Stephen (Victoria University of Wellington,School of Mathematics and Statistics,Wellington,NZ)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： SSCI  ページ： 1786-1793  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： ニューラルネットワークはしばしば不連続関数を表現するのに不十分であり,あるいは特徴空間内の密空間点間の応答曲面における高速遷移を伴う機能さえある。しかし,データにおけるそのような‘端は,個々の領域に対する専門学習者を訓練するために,特徴空間を分割する有用な方法である。これは,これらの領域が比較的単純であり,従って,低複雑性学習者がそれらにうまく使用できるので,特に有益である。そのようなアプローチのもう一つの利点は,容易に並列化できることである:専門学習者はデータの独立した分割を使用する,そして,出力予測がただ1つのネットワークの出力に基づいているので,予測を結合する必要はない。有限要素チームと相互接続によって触発されたデータを分割するアルゴリズムを導入した。葉におけるニューラルネットワークによる決定木に基づく実装を用いて,特徴空間のパッチに関する回帰学習のための著者らのアプローチを実証した。人工的および実世界データセットの両者を用いて,いくつかの使用事例において,この方法は元の訓練において全特徴集合を見る従来のニューラルネットワークより優れていることを示した。Copyright 2021 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 ,  *学習 ,  ネットワーク ,  ニューラルネットワーク ,  相互接続 ,  ディシジョンツリー
準シソーラス用語： 学習者 ,  連続関数 ,  有限要素 ,  出力予測 ,  低複雑性 ,  特徴空間 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： パッチ ,  学習