文献

J-GLOBAL ID：202102263845569589   整理番号：21A0993351

L1正則化とブートストラッピングを用いた極限学習機械のアーキテクチャにおける先進的枝刈り法【JST・京大機械翻訳】

An Advanced Pruning Method in the Architecture of Extreme Learning Machines Using L1-Regularization and Bootstrapping

著者 (5件)： Souza Paulo Vitor de Campos (JKU-Department of Knowledge-Based Mathematical Systems, Johannes Kepler University Linz, 4203 Linz, Austria) ,  Torres Luiz Carlos Bambirra (UFOP-Department of Computing and Systems, Federal University of Ouro Preto, Rua 36, 115-Loanda, Joao Monlevade, Minas Geras 30360-740, Brazil) ,  Silva Gustavo Rodrigues Lacerda (UFMG-Av. Antonio Carlos 6627, Federal University of Minas Gerais, Belo Horizonte, Minas Gerais 31270-901, Brazil) ,  Braga Antonio de Padua (UFMG-Av. Antonio Carlos 6627, Federal University of Minas Gerais, Belo Horizonte, Minas Gerais 31270-901, Brazil) ,  Lughofer Edwin (JKU-Department of Knowledge-Based Mathematical Systems, Johannes Kepler University Linz, 4203 Linz, Austria)
資料名： Electronics (Web)  (Electronics (Web))
巻： 9  号： 5  ページ： 811  発行年： 2020年 
JST資料番号： U7178A  ISSN： 2079-9292  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： 極端学習機械(ELM)は分類,回帰,時系列予測に効率的であり,学習モデルの中間層における値を決定する逆伝搬構造に対する明確な解である。ELMが直面する問題の一つは,隠れ層における多数のニューロンによるものであり,エキスパートモデルを特定のデータセットにする。隠れ層における多数のニューロンで,過剰適合はよりありそうであり,従って,不必要な情報はニューラルネットワークの性能を決定することができる。この問題を解決するため,モデル応答のための最も代表的なニューロンを選択するために,正則化と再サンプリング技術に基づく,ボートストラップLasso BR-ELMを用いたPruning ELMと呼ばれる剪定法を提案した。この方法は,Lasso(ブートストラップ複製を通して達成)のアンサンブル変異体に基づいており,ニューロンの出力重みパラメータを,できるだけ多く,できるだけ大きく縮小することを目的とする。有意な係数値(0以上)を持つ候補回帰者のサブセットに従って,ELMの隠れ層における最良のニューロンを選択することが可能である。最後に,複雑な実世界問題のパターン分類試験およびベンチマーク回帰テストを,ELMのための他の剪定モデルに対して提案した方法を比較することによって実行した。統計的BR-ELMは,分類精度とモデル誤差(Pruning-ELM P-ELMに等しく実行)と,最終的に選択されたニューロンの数を大幅に削減するという点で,いくつかの関連する最先端の方法を上回ることができる。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： *ブートストラップ ,  学習モデル ,  ニューロン ,  複製 ,  ニューラルネットワーク ,  *学習機械 ,  パターン分類 ,  *正則化 ,  ベンチマーク ,  *計算機アーキテクチャ
準シソーラス用語： 時系列予測 ,  リサンプリング ,  隠れ層 ,  分類精度 ,  極度学習機械 , 【Automatic Indexing@JST】

著者キーワード (4件)： 極端学習機械 ,  ブートストラッピングによるlasso ,  ニューロンの枝刈り ,  最小角度回帰

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (68件)：

• Broomhead, D.S.; Lowe, D. Radial Basis Functions, Multi-Variable Functional Interpolation and Adaptive Networks; Technical Report; Royal Signals and Radar Establishment Malvern: Malvern, UK, 1988.
• Pao, Y.H.; Park, G.H.; Sobajic, D.J. Learning and generalization characteristics of the random vector functional-link net. Neurocomputing 1994, 6, 163-180.
• Huang, G.B.; Zhu, Q.Y.; Siew, C.K. Extreme learning machine: Theory and applications. Neurocomputing 2006, 70, 489-501.
• Miche, Y.; Sorjamaa, A.; Bas, P.; Simula, O.; Jutten, C.; Lendasse, A. OP-ELM: Optimally pruned extreme learning machine. IEEE Trans. Neural Netw. 2010, 21, 158-162.
• Rong, H.J.; Ong, Y.S.; Tan, A.H.; Zhu, Z. A fast pruned-extreme learning machine for classification problem. Neurocomputing 2008, 72, 359-366.

タイトルに関連する用語 (7件)： L1 ,  正則化 ,  ブートストラッピング ,  極限 ,  学習機械 ,  アーキテクチャ ,  枝刈り