2011 Fiscal Year Research-status Report
| Project/Area Number |
23500282
|
|---|
| Research Institution | The University of Aizu |
|---|
Principal Investigator |
YONG Liu 会津大学, コンピュータ理工学部, 准教授 (60325967)
|
|---|
| Project Period (FY) |
2011-04-28 – 2014-03-31
|
| Keywords | 国際情報交流 |
|---|
| Research Abstract |
バランスのとれたアンサンブル学習のアプローチを提案した。アンサンブル学習システムは負の相関ニューラルネットワークのセットが含まれています。真の分類と比較して、ニューラルネットワークの負の相関がランダムな推測よりもわずかに優れています。しかし、これらの負の相関ニューラルネットワークの学習システムの統合は、真の分類に非常に近いことができます。バランスのとれたアンサンブル学習では、ターゲットのシフト意識が学習過程で導入されています。実用的なアプリケーションでは、固定ターゲットは頻繁に使用されます。そのような固定目標から学ぶ、しばしばオーバーフィッティングにつながる。本研究では、学習目標は、シフトができ、定義されている範囲で変更します。ターゲット転送の使用は、学習の方向を転送することができます。データポイントが学習された、もはや学習を続けませんが、他のデータポイントを学ぶためにフォーカスを移した。この方法では、決定境界に近い、または遠くすべての訓練サンプルからされていません。ニューラルネットワークの統合の決定境界はそこにほとんど差となり、良好な性能を持つことが期待されています。本研究では、学習ニューラルネットワークのアンサンブルの方法は、他の機械学習の方法とは異なっています。本研究で用いた学習誤差関数は、ターゲット値をシフトすることによって変更することができます。そのようなシフトの学習機能は、訓練のニューラルネットワークアンサンブルの複雑さを制御するのに役立ちます。また、分類の精度を向上させることができます。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2011年の研究作業は、バランスのとれたアンサンブル学習手法である。それが現在の制約を追加することによって、バランスのとれたアンサンブル学習のパフォーマンスを改善する方法研究を開始しています。制約の意識は、バランスのとれたアンサンブル学習に開発されています。制約のない状態で、バランスのとれたアンサンブル学習によるアンサンブルシステムは、未知のデータ点上で任意の値をとることがあります。それは、多くの場合、訓練データ点の数が限られている場合に発生します。バランスのとれたアンサンブル学習では、それは他の未知のデータに制約を追加することが不可欠です。それ以外の場合は、オーバーフィッティングかもしれない。制約の実装では、ランダムに選択されたデータポイントを学習することです。トレーニングセットで学習は、ランダムなデータポイントの制約と協力しました。学習した後、ニューラルネットワークのアンサンブルは、より良い性能を持っているでしょう。
|
| Strategy for Future Research Activity |
バランスのとれたアンサンブル学習では、この研究は、データの複雑さに基づいて、複雑さへの貢献を紹介します。各データについては、その複雑さへの寄与は、学習過程を推定することができます。高い複雑さを持つデータはおそらく騒々しいです。したがって、このようなデータが少ない学習する必要があります。誤差関数を学ぶことは適応的でなければなりません。その推定複雑さに基づいて、新しい学習方法では、各学習データのエラー信号の強度を変更することができます。
|
| Expenditure Plans for the Next FY Research Funding |
今年の研究プロジェクトに参加する学生はコンピュータを購入する必要があります。そのようなMatlabのライセンスのようなツールを更新する必要があります。このプロジェクトのために国内および国際的な会議に出席することが非常に重要です。
|
