文献

J-GLOBAL ID：202202280643901991   整理番号：22A0991844

特徴分離に基づくクロスドメイン適応学習モデル【JST・京大機械翻訳】

Cross-Domain Adaptive Learning Model Based on Feature Separation

著者 (5件)： Li Xin (国防科技大学文理学院 長沙 410073) ,  Li Zhemin (国防科技大学文理学院 長沙 410073) ,  Wei Juhui (国防科技大学文理学院 長沙 410073) ,  Yang Yating (国防科技大学文理学院 長沙 410073) ,  Wang Hongxia (国防科技大学文理学院 長沙 410073)
資料名： Jisuanji Yanjiu yu Fazhan  (Jisuanji Yanjiu yu Fazhan)
巻： 59  号： 1  ページ： 105-117  発行年： 2022年 
JST資料番号： W0790A  ISSN： 1000-1239  CODEN： JYYFEY  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： クロスドメイン訓練タスクは,現在の機械学習分野におけるオープンチャレンジ問題である。現在、最新の研究は、実際の特徴のクロスドメイン不変性を利用して未知のドメインデータを予測することを検討し、それによってクロスドメイン汎化能力を実現する。しかし、事実上、データがどの領域にあるかを知る場合、実際の特徴と虚偽特徴を総合的に利用することで、より良い予測効果が得られる。この問題に対して、クロスドメイン汎用化とクロスドメイン適応タスクを同時に適用する学習モデルCDGA(cross-domaingeneralizationandadaptationmodel)を設計した。このモデルの核心は、まだ真の特徴を切り離すため、新しいより安定した訓練リスク関数を提案し、それはクロスドメイン一般化問題において、より高いテスト精度だけでなく、既存の方法の過フィッティングの難点を克服し、CDGAモデルにうまく埋め込むことができる。また、設計したアルゴリズムにより訓練した後、CDGAモデルのデータ表現部分を有効に真実特徴と虚偽特徴を分離することができ、分類器部分適応学習は汎用化分類器あるいは特定環境の分類器を選択し、それによって虚偽の特徴を応用し、クロスドメインタスクにおいて高効率予測を実現した。最後に、構築したカラー手書きデジタルデータセット上でテストし、結果は既存の方法より明らかに優れている。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *学習モデル ,  データ ,  リスク関数 ,  精度 ,  データ表現 ,  *モデル ,  不変性 ,  機械学習
準シソーラス用語： 手書き ,  *適応学習 ,  高効率 ,  分類会計機 , 【Automatic Indexing@JST】

分類 (2件)： 計算機網  (JC03000K) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： ドメイン適応 ,  学習モデル