文献

J-GLOBAL ID：201702290417963137   整理番号：17A0662396

可能なセンサ故障を分類するための学習【Powered by NICT】

Learning to Classify With Possible Sensor Failures

著者 (3件)： Xie Tianpei (Department of Electrical and Computer Engineering, University of Michigan, Ann Arbor, MI, USA) ,  Nasrabadi Nasser M. (Lane Department of Computer Science and Electrical Engineering, West Virginia University, Morgantown, WV, USA) ,  Hero Alfred O. (Department of Electrical and Computer Engineering, University of Michigan, Ann Arbor, MI, USA)
資料名： IEEE Transactions on Signal Processing  (IEEE Transactions on Signal Processing)
巻： 65  号： 4  ページ： 836-849  発行年： 2017年 
JST資料番号： C0228A  ISSN： 1053-587X  CODEN： ITPRED  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： 本論文では,センサ故障に起因する異常と呼ばれる,劣化した測定は,トレーニングセットに存在する可能性がある場合,堅牢なマージンの二値分類器を学習するための一般的なフレームワークを提案した。目標はnoncorrupted測定に分類器の汎化誤差を最小化することである異常な試料に関連した誤警報率を制御した。経験的エントロピー推定量に基づくノンパラメトリック正則化器を組み込むことにより,著者らは関節に異常を分類し,検出するための学習への幾何学的エントロピー最小化正規化最大エントロピー識別(GEM MED)法を提案した。模擬データと実際のマルチモーダルデータセットを用いて実証した。GEM MED法は分類精度と異常検出率両方の点で既存のロバストな分類方法より改善された性能を得ることができた。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： ロバスト性 ,  ノンパラメトリック法 ,  正則化 ,  *エントロピー ,  正規化 ,  推定量
準シソーラス用語： 分類法 ,  異常検出 ,  分類精度 ,  最大エントロピー ,  エントロピー最小化 ,  誤警報率 ,  汎化誤差 ,  二値分類 ,  *センサ故障 , 【Automatic Indexing@JST】

分類 (2件)： 信号理論  (ND02020G) ,  通信網  (ND07030A)

タイトルに関連する用語 (3件)： センサ故障 ,  分類 ,  学習