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。
ランダム特徴は,大規模問題におけるカーネル法を加速するための最も一般的な技術の1つである。関連する研究は,2017年にNurIPS Test-of-Time awardによって認識され,2019年にICML Best Projectististが認識された。ランダム特徴に関する作業の身体は急速に成長し,従って,様々なアルゴリズムと理論的結果の間の接続を説明するこのトピックに関する包括的な概観を持つことが望ましい。本研究では,過去10年間のランダム特徴に関する研究を系統的にレビューした。最初に,代表的ランダム特徴ベースのアルゴリズムの動機,特性,および寄与を,それらのサンプリング方式,学習手順,分散低減特性,およびそれらが訓練データを利用する方法に従ってまとめた。第2に,著者らは,次の重要な質問のまわりのセンターが,学習された推定子の経験的/予想リスクにおいて,高い近似品質を確実にするか,または,損失がないかを,どのように必要とするかを,レビューする。第3に,著者らはいくつかの大規模ベンチマークデータセットに関する一般的ランダム特徴ベースのアルゴリズムの総合評価を提供して,分類のためのそれらの近似品質と予測性能について論じた。最後に,DNNの解析における高次元ランダム特徴の使用と,現在の理論的および経験的結果の間のギャップを含む,ランダム特徴と最新の過パラメータ化深層ニューラルネットワーク(DNN)の間の関係を考察した。この調査は,このトピックへの穏やかな導入,および代表的なアルゴリズムの適用に興味を持たれ,様々な技術的仮定の下で理論的結果を理解するのに関心のある実務者のためのユーザ指針として役立つかもしれない。本調査は,このトピックにおける未解決問題に関する議論を促進し,より重要なことに,将来の研究方向に光を当てることが期待される。【JST・京大機械翻訳】
