文献

J-GLOBAL ID：202202299392324385   整理番号：22A0450466

特徴選択のためのS字型およびV型ゲイン共有知識ベースアルゴリズム【JST・京大機械翻訳】

S-shaped and V-shaped gaining-sharing knowledge-based algorithm for feature selection

著者 (6件)： Agrawal Prachi (Department of Mathematics and Scientific Computing, National Institute of Technology Hamirpur, Himachal Pradesh, India) ,  Ganesh Talari (Department of Mathematics and Scientific Computing, National Institute of Technology Hamirpur, Himachal Pradesh, India) ,  Oliva Diego (IN3 - Computer Science Department, Universitat Oberta de Catalunya, Castelldefels, Spain) ,  Oliva Diego (Departamento de Ciencias Computacionales, Universidad de Guadalajara, Guadalajara, Jal, Mexico) ,  Mohamed Ali Wagdy (Operations Research Department, Faculty of Graduate Studies for Statistical Research, Cairo University, Giza, Egypt) ,  Mohamed Ali Wagdy (Wireless Intelligent Networks Center (WINC), School of Engineering and Applied Sciences, Nile University, Giza, Egypt)
資料名： Applied Intelligence  (Applied Intelligence)
巻： 52  号： 1  ページ： 81-112  発行年： 2022年 
JST資料番号： W0297A  ISSN： 0924-669X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 機械学習において,元のデータセットからの最適特徴部分集合の探索は,非常に挑戦的で顕著なタスクである。メタヒューリスティックアルゴリズムを,分類精度を強化して,資源時間を節約する,関連,重要な特徴を見つけるのに用いた。アルゴリズムのほとんどは,特徴選択問題を解く際に優れた性能を示した。最近開発されたメタヒューリスティックアルゴリズム,獲得共有知識ベース最適化アルゴリズム(GSK)を,最適特徴部分集合を発見するために考察した。GSKアルゴリズムを連続探索空間にわたって提案した。したがって,合計8つのS形とV形伝達関数を採用して,バイナリ探索空間に問題を解決した。さらに,ポピュレーション低減スキームも伝達関数を用いて採用し,提案した方法の性能を強化した。それは探索空間を効率的に探索して,あらゆる反復における個体群サイズの更新のために,探索空間から最悪の解を削除する。提案方法をUCIリポジトリから21のベンチマークデータセットで試験した。得られた結果を,二値微分進化アルゴリズム,二値粒子スウォーム最適化,バイナリーバットアルゴリズム,バイナリーグレイクォーラ最適化器,バイナリアリリオン最適化器,バイナリートンボーンアルゴリズム,バイナリーサップスウォームアルゴリズムを含む最先端のメタヒューリスティックアルゴリズムと比較した。8つの伝達関数の中で,バイナリーGSKアルゴリズム上の個体群減少を伴うV_4伝達関数は,精度,適応度値および最小数の特徴に関して,他の最適化者より優れている。統計的に結果を調査するために,2つのノンパラメトリック統計的検定を行い,提案した方法の優位性を結論づけた。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  最適化 ,  伝達関数 ,  最適化手法 ,  ノンパラメトリック法 ,  *特徴選択 ,  *利得 ,  個体群 ,  スウォーム ,  *知識ベース ,  ベンチマーク ,  機械学習 ,  リポジトリ
準シソーラス用語： ヒューリスティック ,  微分進化アルゴリズム , 【Automatic Indexing@JST】

著者キーワード (5件)： ゲイン共有知識ベース最適化アルゴリズム ,  S字形およびV字型伝達関数 ,  特徴選択 ,  分類 ,  K-NN分類器

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 特徴選択 ,  字 ,  ゲイン ,  アルゴリズム