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。
マルチラベル分類は機械学習コミュニティにおいて多くの注目を引きつけて,同時に単一サンプルを割り当てる問題に対処して,同時に1つ以上のクラスに割り当てた。インクリメンタル,シングルパス方式で新しい入力マルチラベルサンプルを用いてその構造を自己適応し自己進化できる進化マルチラベルファジィ分類器(EFC-ML)を提案した。それは,多出力Takagi-Sugeno型アーキテクチャに基づき,そこでは,各クラスに対して,別々の結果の超平面を定義した。学習手続きは,(従来)再帰的ファジィ加重最小二乗とLassoベース正則化と組み合わせた局所加重増分相関ベースアルゴリズムを埋め込む。相関ベースの部分は,クラスラベル間の相互関係,改良性能のためのマルチラベル分類における特定のよく知られた特性,が適切に保存されることを確実にする。Lassoベース正則化は,より高い入力数の場合,次元効果のurseを縮小する。製品-空間クラスタリングによりエンテクエント学習を達成し,全てのクラスラベルに対して行い,単一ルールベースを生成し,コンパクトな知識ビューを可能にした。さらに,提案アプローチは,いくつかの選択されたサンプルで分類器を更新するためのオンラインアクティブ学習(AL)戦略で,次に,注釈努力が典型的に高価であるアプリケーションにおけるほとんどラベル付けされたストリームに適用可能なアプローチを作る。本アプローチをMULANリポジトリからのいくつかのデータセットで評価し,(進化)一対休止または分類器連鎖概念と比較して分類精度が著しく改善されたことを示した。有意な結果は,オンラインAL法のため,分類器更新に用いるサンプル数における90%低減が,ほとんどのデータセット事例における完全更新と比較して,累積精度傾向線にほとんど影響しないことを示した。【JST・京大機械翻訳】
