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。
密度比推定(DRE)は,異常検出やドメイン適応のような様々な機械学習タスクのコアにある。DREに関する既存の研究において,Bregman発散(BD)最小化に基づく方法を広範囲に研究した。しかし,深いニューラルネットワークのような高度に柔軟なモデルを適用したとき,BD最小化は,経験的BD推定器の典型的特性によって引き起こされた過剰適合の源である,列車損失ハッキングを呼び出すのに悩まされる傾向がある。本論文では,列車損失ハッキングを緩和するために,経験的BD推定器のための非負補正を提案した。理論的に,一般化誤差限界を通して提案した方法の健全性を確認した。著者らの実験を通して,提案方法は,異常値ベースの異常値検出において好ましい性能を示した。【JST・京大機械翻訳】