文献

J-GLOBAL ID：201702248344480469   整理番号：17A0320306

L2graphによる学習半教師つき部分空間【Powered by NICT】

Semi-supervised subspace learning with L2graph

著者 (5件)： Peng Xi (Institute for Infocomm Research, ASTAR, Singapore 138632, Singapore) ,  Yuan Miaolong (Institute for Infocomm Research, ASTAR, Singapore 138632, Singapore) ,  Yu Zhiding (Department of Electrical and Computer Engineering, Carnegie Mellon University, Pittsburgh, PA 15213, USA) ,  Yau Wei Yun (Institute for Infocomm Research, ASTAR, Singapore 138632, Singapore) ,  Zhang Lei (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu 610065, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 208  ページ： 143-152  発行年： 2016年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 低次元表現に生データの変換が得られるように部分空間学習は与えられた訓練集合から射影行列を学習することを目的とした。実際には,いくつかの訓練サンプルのラベルが入手可能であり,それは低次元表現の識別を改善するために利用できる。本論文では,類似したコード(SISC)を有する類似の入力の生物学的観察によって触発された半教師つき学習手法を提案した,すなわち,ほ乳動物の視覚皮質の皮質柱の同じ収集は常に同様な刺激により活性化される。より詳しくいえば,ここでは,射影空間における異なる被験者間の分離を最大化しながら,同じラベルを持つデータ点間の距離を最小化するSISCの数学的定式化を提案した。提案した方法,すなわち,半教師つきL2graph(SeL2graph)は二つの利点を有している:(1)主成分分析のような古典的次元縮小法と異なり,SeL2graphは,特徴空間の次元を自動的に決定できる。これは良好な性能のための最適な特徴次元を見出す努力を著しく低下させるおよび(2)標識試料によって運ばれる事前知識を十分に利用し,得られた特徴は,高い識別とコンパクト性であった。包括的な実験を行い,提案した方法は,分類精度,計算効率,および雑音と変装に対するロバスト性に関して15データセットに7部分空間学習アルゴリズムより優れていることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： コンパクト性 ,  ロバスト性 ,  次元縮小 ,  *学習 ,  学習アルゴリズム ,  視覚皮質 ,  主成分分析
準シソーラス用語： 計算効率 ,  分類精度 ,  事前知識 ,  特徴空間 ,  半教師つき学習 ,  部分空間学習 ,  低次元 ,  *部分空間 , 【Automatic Indexing@JST】

著者キーワード (4件)： バイオにヒントを得た特徴学習 ,  自動部分空間学習 ,  次元縮小 ,  グラフ埋込み

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 学習 ,  教師 ,  部分空間