2012 Fiscal Year Research-status Report
| Project/Area Number |
23500282
|
|---|
| Research Institution | The University of Aizu |
|---|
Principal Investigator |
劉 勇 会津大学, コンピュータ理工学部, 准教授 (60325967)
|
|---|
| Keywords | 国際情報交換 |
|---|
| Research Abstract |
データの複雑さは、バランスのとれたアンサンブル学習法では2つの点から分析されていた。最初は、平衡アンサンブル学習法における所与のデータポイントでの目標値を変更することであった。第二は、バランスのとれたアンサンブル学習法における新しいトレーニングデータポイントを作成することであった。
目標値は、元の0と1に移動した場合には、個々のニューラルネットワークは、バランスのとれたアンサンブル学習によって多くを学びます。したがって、個々のニューラルネットワークは、強力な学習モデルとなる。強力な学習モデルは、しばしば大規模な複雑さを持っています。このような大規模な複雑さは、訓練データに過学習につながる可能性があります。強すぎたり弱すぎ個人ニューラルネットワークは、未知のデータを予測するのが得意ではありません。バランスのとれたアンサンブル学習は、適切な目標値を設定し、アンサンブルモデルの複雑さを制御することができた。
バランスのとれたアンサンブル学習における目標値は、完全にモデルの複雑さの問題を解決することはできない。いくつかの実際のアプリケーションでは、少数のトレーニングデータ点がある。少数の訓練データ点を考えると、バランスのとれたアンサンブル学習の2回には、2つの非常に異なったニューラルネットワークのアンサンブルを与えることができる。これは、より多くのトレーニングデータポイントが必要であることを示唆している。バランスのとれたアンサンブル学習方法は、よりランダムな訓練データポイントを選択するために使用することができる。これらのランダムデータポイントがアンサンブルモデルに制約を設定します。結果は、実際のアプリケーションの問題で分析されていた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
目標値の変化に関する研究成果は国際会議IEEE WCCI2012で発表されました。ランダム学習とのバランスのとれたアンサンブル学習法が国際会議iCAST2012、IEEE SMC2012、ISICA2012で発表されました。
|
| Strategy for Future Research Activity |
バランスのとれたアンサンブル学習法は負の相関学習から構築された。バランスのとれたアンサンブル学習法は、弱い学習モデルを作成することができる。負の相関学習は、多くの場合、強力な学習モデルを生成します。過去において、これら二つの学習方法は、独立して適用される。これは、1つの学習プロセスの学習には負の相関を学習移行バランスアンサンブルに興味深いものになる。バランスのとれたアンサンブル学習方法は、第一段階で適用される。負の相関学習は、第二段階で使用されている。学習モデルは、最初の学習段階に弱いであるべきである。学習モデルは、第二段階で強くなります。学習モデルの複雑さは、遷移期間中に制御することができる。遷移学習に関するより多くの研究が実施される。
|
| Expenditure Plans for the Next FY Research Funding |
シミュレーション環境を設定するためのアップルのMacBook Proを購入する。実験用のソフトウェアを更新する。このプロジェクトに関連する国内および国際的な会議に出席することは非常に重要です。
|
Research Products
(5 results)
