構造化データのための多重メトリック学習【JST・京大機械翻訳】

Colombo Nicolo

プレプリント

J-GLOBAL ID：202202201838432417 整理番号：22P0111608

構造化データのための多重メトリック学習【JST・京大機械翻訳】

Multiple Metric Learning for Structured Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2020年02月13日プレプリントサーバーでの情報更新日： 2020年02月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

構造化データから計量を学習しながら,グラフと特徴空間情報を併合する問題に取り組んだ。既存のアルゴリズムは,グラフ構造のベクトル化要約を抽出するか,または特徴空間アルゴリズムにハード制約を加えることによって,非対称方法で問題に取り組む。異なる経路に従って,非類似性行列のメトリック制約線形結合を訓練するメトリック回帰スキームを定義した。アイデアは,入力行列が任意の種類の利用可能なデータ(例えばノード属性またはエッジ構造)から得られる事前計算非類似性測度であるということである。モデル入力は距離測度であるので,どのような根底にある特徴空間の存在を仮定する必要はない。主な課題は,例えば,線形結合の係数が負であるならば,計量制約(特に正定値および部分加成性)は,自動的に尊重されないことである。正およびサブ加算制約は線形不等式であるが,Dが入力行列のサイズ(即ち,データセットのサイズ)であるO(D3)としてスケールを課す計算の複雑さである。Dが比較的小さい場合でも,これは急速に禁止する。このような制約の下で最適化するための新しいグラフベース技術を提案し,いくつかの場合において,提案アプローチは,最適化プロセスの元の計算量を1桁低減することを示した。既存の方法とは対照的に,この方式は任意の(おそらく非凸)メトリック制約目的関数に適用する。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

図形・画像処理一般 , パターン認識 , 人工知能

, ,

前のページに戻る