部分空間学習機械(SLM):方法論と性能【JST・京大機械翻訳】

Fu Hongyu; Yang Yijing; Mishra Vinod K.; Kuo C. -C. Jay

プレプリント

J-GLOBAL ID：202202215497350680 整理番号：22P0348383

部分空間学習機械(SLM):方法論と性能【JST・京大機械翻訳】

Subspace Learning Machine (SLM): Methodology and Performance

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年05月11日プレプリントサーバーでの情報更新日： 2022年05月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

本研究では,フィードフォワード多層パーセプトロン(FF-MLP),ディシジョンツリー(DT)および極端学習機械(ELM)により,部分空間学習機械(SLM)と呼ばれる新しい分類モデルを提案した。SLMは,各入力特徴の判別力を調べることにより,最初に判別部分空間S ̄0を同定した。次に,S ̄0における特徴の確率的射影を用いて,1D部分空間を生成し,それらの各々に対して最適分割を見出した。これは超平面との分割S ̄0と等価である。基準を開発して,それらの間で2q分割部分空間を生成する最良のq分割を選択した。S ̄0をディシジョンツリーの根ノードに割り当て,2q部分空間の交差点を深さ1の子ノードに割当てる。分割プロセスは,SLMツリーを構築するために各子供ノードで再帰的に適用される。子供ノードでのサンプルが十分に純粋であるとき,分割プロセス停止と各葉ノードは予測を行う。このアイデアを回帰に一般化し,部分空間学習回帰(SLR)を導いた。さらに,SLM/SLRツリーのアンサンブルは,より強力な予測子を与えることができる。SLM/SLRツリー,アンサンブルおよび古典的分類器/回帰者間の性能ベンチマークに対して広範な実験を行った。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, , ,

前のページに戻る