文献

J-GLOBAL ID：202202287187627066   整理番号：22A1086644

Kullback Leiler発散計量学習【JST・京大機械翻訳】

Kullback-Leibler Divergence Metric Learning

著者 (6件)： Ji Shuyi (BNRist, KLISS, School of Software, Tsinghua University, Beijing, China) ,  Zhang Zizhao (BNRist, KLISS, School of Software, Tsinghua University, Beijing, China) ,  Ying Shihui (Department of Mathematics, Shanghai University, Shanghai, China) ,  Wang Liejun (College of Software Engineering, Xinjiang University, Ueruemqi, China) ,  Zhao Xibin (BNRist, KLISS, School of Software, Tsinghua University, Beijing, China) ,  Gao Yue (BNRist, KLISS, School of Software, Tsinghua University, Beijing, China)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 52  号： 4  ページ： 2047-2058  発行年： 2022年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  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： 2つの分布間の類似性を測定するのに広く使用されているKullback Lagrander Leibler発散(KLD)は,多くの応用において重要な役割を果たす。本論文では,データセットの分布から最良のKLD型メトリックを学習することを目的とするKLDメトリック学習タスクに取り組んだ。具体的には,まず,線形マッピングを導入して,従来のKLDを拡張し,最良のKLDを得て,そのような線形マッピングを最適化することによって,データ分布の類似性を良好に表現する。それは,データ分布の表現性を改善し,それは,それが,同じクラスで,そして,遠く離れたクラスで,分布を作ることを意味する。次に,KLDメトリック学習を,すべての正値行列の多様体に関する最小化問題によってモデル化した。この最適化タスクを処理するために,反復におけるメトリックの多様体構造を保存する固有最急降下法を開発する。最後に,3Dオブジェクト分類と文書分類のタスクに関する10のポピュラーなメトリック学習アプローチと共に提案した方法を適用した。実験結果は,著者らの提案方法が他のすべての方法より優れていることを示した。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】

シソーラス用語： 行列 ,  最適化 ,  多様体 ,  *学習 ,  最小化問題 ,  モデリング ,  線形性 ,  三次元 ,  類似性 ,  最急降下法 ,  機械学習
準シソーラス用語： 文書分類 ,  表現力 ,  ホップ数 ,  オブジェクト分類 ,  メトリック学習 , 【Automatic Indexing@JST】

分類 (3件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 発散 ,  計量 ,  学習