抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
半教師つき学習は,教師つき手法よりも少ないラベルで競合分類結果を達成するために,ラベルなしデータの構造を利用することができるので,研究者から注目されている。局所およびグローバル一貫性(LGC)アルゴリズムは,最もよく知られたグラフベースの半教師つき(GSSL)分類器の1つである。特に,その解は既知のラベルの線形結合として記述できる。この線形結合の係数はパラメータαに依存し,ランダムウォークにおいてラベル付き頂点に到達するときの時間に対する報酬の減衰を決定する。本研究では,ラベル付きインスタンスの自己影響の除去がいかに有益であるか,そして,それが,どのように,1つのアウトエラーに関連するかを議論した。さらに,自動識別によるこのleave-one-out損失を最小化することを提案する。このフレームワークの中で,ラベル信頼性と拡散速度を推定する方法を提案した。拡散速度の最適化はスペクトル表現によりより効率的に達成される。結果は,ラベル信頼性アプローチがロバストL1ノルム方式と競合し,対角入力を除去すると,過剰適合のリスクを低減し,パラメータ選択の適切な基準に導くことを示した。【JST・京大機械翻訳】