文献

J-GLOBAL ID：202102272389079276   整理番号：21A2981927

教師付きバイクラスタリングとAdaboostによる二値分類【JST・京大機械翻訳】

Binary Classification with Supervised-like Biclustering and Adaboost

著者 (2件)： Sun Jianjun (Northwestern Polytechnical University,School of Computer Science, and Center for OPTical IMagery Analysis and Learning,Xi’an,Shaanxi,People’s Republic of China,710072) ,  Huang Qinghua (Northwestern Polytechnical University,School of Mechanical Engineering, and Center for OPTical IMagery Analysis and Learning,Xi’an,Shaanxi,People’s Republic of China,710072)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICISCE  ページ： 364-368  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： クラスタリングベースの分類法は,大きな成功を達成した。既存のバイクラスタリングベースの分類法において,バイクラスタの探索に用いる残差スコア閾値は固定され,採掘された有用なバイクラスタの数は小さい。2つの問題を解決するために,本研究では,教師付きバイクラスタリングとアダボストに基づく新しいバイナリ分類法を提案した。バイクラスタは,2つの異なるバイクラスタ品質指標MSDと重みを,他のバイクラスタリングベースの分類法におけるユニークな指標MSRの代わりに2回探索した。初期探索において,残差スコア閾値はすべてのバイクラスタに対して同一である。第2探索では,低品質の二クラスタを,より小さな残留閾値で再び検索した。そのうえ,いくつかの限界のため,多くのバイクラスタを見つけることができない。より多くのバイクラスタを得るために,2つの追加操作を採用した。提案方法において,著者らは最初にデータセットからカラム定数バイクラスタをマイニングして,次にバイクラスタを弱い分類装置に変換した。アダブーストを通して,初期の強いバイナリ分類装置を構築することができた。最後に,教師つき様戦略によって,より良い最終的強力なバイナリ分類装置を得ることができた。提案した方法の性能を検証するために,2つのデータセットで7つのバイナリ分類法と比較した。実験結果は,提案方法が他のバイナリ分類法より優れていることを証明した。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： 分類装置 ,  残差 ,  *クラスタ化 ,  *ラスタ ,  *クラスタ
準シソーラス用語： 分類法 ,  AdaBoost ,  品質指標 ,  バイクラスタリング ,  二値分類 , 【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 (4件)： 教師 ,  バイクラスタリング ,  AdaBoost ,  二値分類