文献

J-GLOBAL ID：202102237893198249   整理番号：21A2037177

階層的サポートベクトル回帰のための層の臨界数の予測【JST・京大機械翻訳】

Predicting the Critical Number of Layers for Hierarchical Support Vector Regression

著者 (6件)： Mohr Ryan (AIMdyn Inc., Santa Barbara, CA 93106, USA) ,  Fonoberova Maria (AIMdyn Inc., Santa Barbara, CA 93106, USA) ,  Drmac Zlatko (Faculty of Science, University of Zagreb, 10000 Zagreb, Croatia) ,  Manojlovic Iva (AIMdyn Inc., Santa Barbara, CA 93106, USA) ,  Mezic Igor (AIMdyn Inc., Santa Barbara, CA 93106, USA) ,  Mezic Igor (Department of Mechanical Engineering, University of California, Santa Barbara, CA 93106, USA)
資料名： Entropy (Web)  (Entropy (Web))
巻： 23  号： 1  ページ： 37  発行年： 2020年 
JST資料番号： U7179A  ISSN： 1099-4300  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 階層サポートベクトル回帰(HSVR)は,粗いスケールから始まり,階層が継続するにつれてより微細なスケールに移動する,一連のスケールにおけるSVRモデルの線形結合としてデータから機能をモデル化する。HSVRの元の定式化において,モデルの深さを選ぶための規則はなかった。本論文では,訓練誤差における位相遷移が,臨界スケールが通過するまで,訓練誤差がゼロに近くなり,付加層に対してほとんど一定に留まるまで,訓練誤差における相転移が相対的に一定のままであることを,多くのモデルで観察する。データのFourier変換または動的モード分解(DMD)スペクトルのいずれかのサポートに基づく予測を用いて,この臨界スケールを先験的に予測する方法を導入した。これにより,任意のモデルを訓練する前に必要な層数を決定することができた。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： Fourier変換 ,  相転移 ,  スペクトル ,  *臨界 ,  位相 ,  定式化
準シソーラス用語： 線形結合 ,  *サポートベクトル回帰 , 【Automatic Indexing@JST】

著者キーワード (4件)： サポートベクトル回帰 ,  Fourier変換 ,  動的モード分解 ,  Koopman演算子

分類 (2件)： 統計的品質管理  (KB04030W) ,  数値計算  (JE02000J)

引用文献 (25件)：

• Joachims, T. The Maximum-Margin Approach to Learning Text Classifiers: Methods Theory, and Algorithms. In Ausgezeichnete Informatikdissertationen; Lecture Notes in Informatics (LNI); Koellen Verlag: Bonn, Germany, 2002; Available online: https://dl.gi.de/bitstream/handle/20.500.12116/4447/GI-Dissertations.02-6.pdf?sequence=1 (accessed on 24 December 2020).
• Wahba, G. Support vector machines, reproducing kernel Hilbert spaces and the randomized GACV. Adv. Kernel-Methods-Support Vector Learn. 1999, 6, 69-87.
• Vapnik, V.; Chapelle, O. Bounds on error expectation for support vector machines. Neural Comput. 2000, 12, 2013-2036.
• Ong, C.S.; Smola, A.J.; Williamson, R.C. Learning the kernel with hyperkernels. J. Mach. Learn. Res. 2005, 6, 1043-1071.
• Hutter, F.; Kotthoff, L.; Vanschoren, J. (Eds.) Hyperparameter Optimization. In Automated Machine Learning: Methods, Systems, Challenges; Springer International Publishing: Cham, Switzerland, 2019; pp. 3-33.

タイトルに関連する用語 (4件)： サポートベクトル回帰 ,  層 ,  臨界 ,  予測