文献

J-GLOBAL ID：202202213676749846   整理番号：22A0843929

複合スパース正則化によるコンパクトブロード学習システムに向けて【JST・京大機械翻訳】

Towards Compact Broad Learning System by Combined Sparse Regularization

著者 (11件)： Miao Jianyu (Key Laboratory of Grain Information Processing and Control (HAUT), Ministry of Education, Zhengzhou 450001, P. R. China) ,  Yang Tiejun (Henan Key Laboratory of Grain Photoelectric Detection and Control (HAUT), Zhengzhou 450001, P. R. China) ,  Jin Jun-Wei (College of Artificial Intelligence and Big Data, Henan University of Technology, Zhengzhou 450001, P. R. China) ,  Sun Lijun (Key Laboratory of Grain Information Processing and Control (HAUT), Ministry of Education, Zhengzhou 450001, P. R. China) ,  Sun Lijun (Henan Key Laboratory of Grain Photoelectric Detection and Control (HAUT), Zhengzhou 450001, P. R. China) ,  Sun Lijun (College of Information Science and Engineering, Henan University of Technology, Zhengzhou 450001, P. R. China) ,  Niu Lingfeng (Key Laboratory of Big Data Mining and Knowledge Management, Chinese Academy of Sciences, Beijing 100190, P. R. China) ,  Niu Lingfeng (School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190, P. R. China) ,  Shi Yong (Key Laboratory of Big Data Mining and Knowledge Management, Chinese Academy of Sciences, Beijing 100190, P. R. China) ,  Shi Yong (School of Electrical and Information Engineering, Southwest Minzu University, Chengdu 610041, P. R. China) ,  Shi Yong (College of Information Science and Technology, University of Nebraska at Omaha, NE 68182,USA)
資料名： International Journal of Information Technology & Decision Making  (International Journal of Information Technology & Decision Making)
巻： 21  号： 1  ページ： 169-194  発行年： 2022年 
JST資料番号： W2076A  ISSN： 0219-6220  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： シンガポール (SGP)  言語： 英語 (EN)

抄録/ポイント： 幅広い学習システム(BLS)は機械学習とデータマイニングにおける分類と回帰のための最も重要な技術の一つであることが証明されている。BLSは,出力層の入力として特徴および強化ノードからすべての特徴を直接収集し,膨大な量の冗長情報を無視する。それは通常,非効率で過剰適合をもたらす。この問題を解決するため,冗長ノードと重みを同時に除去できるスパース正則化ベースコンパクトブロード学習システム(CBLS)フレームワークを提案した。より特異的であるために,著者らは,[数式:原文を参照]ノルムに基づくグループスパース正則化を用いて,異なるノード間の競争を促進し,次に冗長ノードを除去し,そして,異なる重み間の競争を促進し,次に冗長な重みを取り除くために,非凸スパース性正則化のクラスを,用いた。提案したCBLSの結果として生じる問題を最適化するために,計算の複雑さと共に,近位勾配法に基づく効率的な代替最適化アルゴリズムを利用した。最後に,提案したCBLSの有効性と優位性を検証するために,公開ベンチマークデータセット上で分類タスクに関する広範な実験を行った。Copyright 2022 World Scientific Publishing Company All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  傾斜法 ,  冗長性 ,  分類 ,  最適化手法 ,  計算量 ,  *正則化 ,  凸形 ,  性質 ,  有効性 ,  ノルム ,  機械学習 ,  データマイニング
準シソーラス用語： スパース性 ,  *学習支援システム , 【Automatic Indexing@JST】

著者キーワード (4件)： 広域学習システム(BLS) ,  グループスパース性 ,  非凸正則化 ,  近位勾配法

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 正則化 ,  学習システム