文献

J-GLOBAL ID：202202214845861036   整理番号：22A0416941

不均衡データストリームの分類のための新しい深層アンサンブル学習フレームワーク【JST・京大機械翻訳】

A Novel Deep Ensemble Learning Framework for Classifying Imbalanced Data Stream

著者 (2件)： Arya Monika (Bhilai Institute of Technology, Durg, Chhattisgarh, India) ,  Hanumat Sastry G. (University of Petroleum and Energy Studies, Dehradun, India)
資料名： Smart Innovation, Systems and Technologies  (Smart Innovation, Systems and Technologies)
巻： 251  ページ： 607-617  発行年： 2022年 
JST資料番号： W5072A  ISSN： 2190-3018  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 機械学習は,採掘ストリームデータにおけるこの時代の最も不可欠な分野の一つとして浮上している。ストリームデータは,時間とともにそれらの特性を変える傾向がある。不均衡な河川のマイニングは,この領域の研究要求サブフィールドである。不均衡なデータにおいて,目標クラスの1つは,他のクラスよりはるかに少ないインスタンスを有した。不均衡データは,大多数と少数クラスまたは次元またはクラス数の間のそれらの比率のいずれかで異なる可能性がある。分類器の性能は,分類器を訓練するために使用される不均衡データセットの多様性によって影響を受ける。分類器の学習は異なるタイプのデータセットで異なる。不均衡なデータは,社会にマイナスの影響を有するまれなイベントに起因する。ほとんどの伝統的データマイニングアルゴリズムは,不均衡データセットの少数クラスを誤って分類するか,または雑音としてそれを考慮する。したがって,決定は,大多数のクラスに対してバイアスされ,従って,アルゴリズムの精度と全体性能を低下させる。不均衡データセットを分類するアルゴリズムは,従って,大多数および少数クラス比の変化に対する高い適応性を要求する。伝統的機械学習アルゴリズムの性能は,アンサンブル法と深層学習方式を適用することによって強化される。目的:本論文では,データの不均衡ストリームを分類するための深層アンサンブル学習に基づくフレームワークを提案した。方法:深層アンサンブル法アンサンブル多重ベース学習者。深層学習手法を適用して,低レベル特徴を抽出し,次の層に対してそれらを転送して,より高いレベル特徴を同定した。【結果】この方法において,高度不均衡クラスの影響は,深層学習によるアンサンブル法を結合することによって減少した。分類器の精度は,精度だけでなく,カテゴリー精度も改善した。結論:精度に加えて,カテゴリー予測精度,訓練精度および予測精度のような他の性能測度も比較し,データの不均衡ストリームを評価するための重要な計量である。Copyright The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  雑音 ,  河川 ,  適応性 ,  多重化 ,  採掘 ,  深層 ,  *機械学習 ,  学習アルゴリズム
準シソーラス用語： 不均衡 ,  *アンサンブル学習 ,  *データストリーム ,  予測精度 ,  *不均衡データ ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 深層学習 ,  アンサンブル学習 ,  不均衡データ ,  データストリーム

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 均衡 ,  データストリーム ,  分類 ,  深層 ,  アンサンブル学習 ,  フレームワーク