収縮によるヘビーテールの特徴【JST・京大機械翻訳】

Zhu Ziwei; Zhou Wenjing

プレプリント

J-GLOBAL ID：202202206145499048 整理番号：22P0042637

収縮によるヘビーテールの特徴【JST・京大機械翻訳】

Taming heavy-tailed features by shrinkage

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 (2件)： ,
資料名：
発行年： 2017年10月24日プレプリントサーバーでの情報更新日： 2020年07月17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)

本研究では,重尾の特徴と応答を持つ崩壊GLM(CGLM)と呼ばれる一般化線形モデル(GLM)の変種に焦点を当てた。このモデルに関する統計的推論をロバスト化するために,低次元領域における特徴ベクトルにl_4ノルム収縮を適用し,高次元領域でそれらに要素的収縮を適用することを提案した。有界第4モーメント仮定の下で,縮小データに基づく最尤推定器(MLE)は,指数偏差限界で極小値最適速度に近づけることを示した。著者らのシミュレーションは,提案した特徴収縮が,重尾データに関する線形回帰とロジスティック回帰における統計的性能を著しく強化することを示した。最後に,人間書き数字認識問題における誤ラベリングと画像ノイズに対する保護にこの収縮原理を適用した。元のニューラルネットにl_4ノルム収縮層を加え,誤ラベリングと画像ノイズの存在において,試験誤分類率を30%以上低減した。【JST・京大機械翻訳】

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

パターン認識 , 人工知能 , 図形・画像処理一般

前のページに戻る