文献

J-GLOBAL ID：202202236555635977   整理番号：22A0551374

1クラス分類のための境界ベースファジィSVDD【JST・京大機械翻訳】

Boundary-based Fuzzy-SVDD for one-class classification

著者 (8件)： Li Dongdong (Department of Computer Science & Engineering, East China University of Science & Technology, Shanghai, China) ,  Li Dongdong (Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, East China University of Science & Technology, Shanghai, China) ,  Xu Xinlei (Department of Computer Science & Engineering, East China University of Science & Technology, Shanghai, China) ,  Xu Xinlei (Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, East China University of Science & Technology, Shanghai, China) ,  Wang Zhe (Department of Computer Science & Engineering, East China University of Science & Technology, Shanghai, China) ,  Wang Zhe (Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, East China University of Science & Technology, Shanghai, China) ,  Cao Chenjie (Department of Computer Science & Engineering, East China University of Science & Technology, Shanghai, China) ,  Wang Minguang (Department of Computer Science & Engineering, East China University of Science & Technology, Shanghai, China)
資料名： International Journal of Intelligent Systems  (International Journal of Intelligent Systems)
巻： 37  号： 3  ページ： 2266-2292  発行年： 2022年 
JST資料番号： T0454A  ISSN： 0884-8173  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： サポートベクトルデータ記述(SVDD)は,1クラス分類(OCC)における非常にホットな話題問題であり,それは多くの新規性検出問題を扱う際に優れた性能を示した。しかし,SVDDは,データの分布を考慮するよりも,むしろ,各インスタンス間のカーネルベース距離によるデータ記述を取る。したがって,ファジィサポートベクトルデータ記述(Fuzzy-SVDD)を開発し,異なるサンプルが分類境界に異なる寄与を引き起こすように,ファジィメンバーシップを各入力サンプルに配布した。ファジィSVDDにおける方法の大部分はサンプル密度に基づいているが,残りの2つの問題がある。これらの密度ベースのファジィSVDD法は,低密度におけるサポートベクトル(SV)の寄与を減少させるであろう。さらに,これらの方法は,少数のターゲットサンプルがあるとき,正確な密度を得ることができない。これらの2つの問題は貧弱な分類境界をもたらす。これらの欠点を克服するために,境界ベースのファジーSVDD(BF-SVDD)と呼ばれる新しい方法を本論文で提案した。BF-SVDDは,境界近くのサンプルを探索するために,局所大域的中心距離と呼ばれる新しい定義を用いる。次に,それらは,他のデータより決定境界のためのより重要な情報を運ぶので,これらのサンプルのファジィメンバーシップを強化する。本論文の貢献を3つの主な点にまとめた。最初に,局所グローバル中心距離と呼ばれる新しい概念を提案して,SVsをよりよく発見した。第2に,局所グローバル中心距離を有するファジィメンバーシップは,SVをより情報化し,決定境界を作り出す。さらに,進化学習に基づくCalifornia,Irvine,および知識抽出の大学に基づく実験は,提案方法が優れた性能を有することを示した。不均衡データセットの少数クラスでさえ,提案方法は良い分類もできる。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 検出 ,  *学習 ,  データ ,  分類 ,  境界 ,  記述 ,  曖昧さ
準シソーラス用語： 知識抽出 ,  情報化 ,  データ記述 ,  不均衡データセット , 【Automatic Indexing@JST】

著者キーワード (5件)： 境界サンプル ,  ファジィ重み ,  1クラス分類 ,  パターン認識 ,  サポートベクトルデータ記述

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 1クラス分類 ,  境界 ,  ファジィ