|
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。
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。
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。バランスの取れたアンサンブル学習と負の相関学習との間の遷移学習が適用されている。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。
|
