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。
ますます多くのモノのインターネット(IoT)デバイスはネットワークに便利に接続することを可能にし,ネットワークプロバイダはどのデバイスが安全であるかを同定する必要がある。しかし,IoTデバイスは高速更新率を持ち,ネットワークプロバイダのような組織化器は,ネットワークに接続されたデバイスのタイプを同定,分類することができず,対応する規則を速やかに確立することにより,そのタイプを,よく識別し,分類することはできない。分類タスクのための多数の自己監督,半教師つき,教師なし学習アプリケーションがあるが,伝統的機械学習法の教師つき学習は,まだ分類タスクの非常に重要な部分である。特に,新たに出現したデバイスのサンプルサイズは通常小さく,深い学習は多数の試料を学習する能力を利用しない。本論文は,ランダムフォレスト,ロジスティック回帰,k-最近傍,およびGaussBayesのような従来の機械学習法,ならびに,訓練のためのXGBoost,LightBGM,および勾配ブースのようなSOTA性能を以前に示したブースティング法を選択することを使用した。これに基づいて,この性能を,積層と投票モデルを用いて分類器を結合することによって改良して,投票方法における最適重量割当てを提案した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】