| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2018-09-20 09:40 並列的なアンサンブル学習におけるデータの重みを用いた相補的な弱学習器の構成 ○内海翔太・亀山啓輔（筑波大）  PRMU2018-37 IBISML2018-14 |
|
| 抄録 | （和） | アンサンブル学習の汎化精度の改善には，各学習器の精度や学習器間の分類の正誤に対する相補性が重要である．本論文では，学習器間の相補性を向上させるために，ブースティングで用いられる弱分類器のデータの重みを用い，同時並行的に調整する手法を提案する．重みの大きいデータは他の分類器で誤分類されることの多いデータであるため，それらを重視して学習を行うことにより，学習器間の相補性の向上を図る．実験を通じ，提案手法の相補性と精度について検討を行い，大半のデータセットにおいて学習器間の相補性と分類精度の向上がみられた． |
| （英） | The accuracy of each weak learner and acquisition of complementary functions among weak learners are important for improving the generalization performance in Ensemble Learning. In this paper, we propose a method in which weak learners are trained in parallel based on the weights of the samples used in Boosting. A sample which has large weight is misclassified by many weak learners, thus we aim to improve complementation between weak learners by considering such heavily weighted samples in training weak learners. Through experiments, it was found that the complementation between weak learners and the accuracies of the combined learner of the proposed method are superior to the conventional method. Additionally we discuss complementation in weak learners and accuracies of the proposed method. | |
| キーワード | （和） | アンサンブル学習 / ブースティング / AdaBoost / 誤り訂正出力符号 / 多クラス分類 / / / |
| （英） | Ensemble Learning / Boosting / AdaBoost / Error Correcting Output Codes / Multi-Class Classification / / / | |
| 文献情報 | 信学技報, vol. 118, no. 220, IBISML2018-14, pp. 9-15, 2018年9月. | |
| 資料番号 | IBISML2018-14 | |
| 発行日 | 2018-09-13 (PRMU, IBISML) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | PRMU2018-37 IBISML2018-14 |
|
| 研究会情報 | |
| 研究会 | PRMU IBISML IPSJ-CVIM |
| 開催期間 | 2018-09-20 - 2018-09-21 |
| 開催地（和） | 福岡工業大学 |
| 開催地（英） | |
| テーマ（和） | 機械学習と実応用 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | IBISML |
| 会議コード | 2018-09-PRMU-IBISML-CVIM |
| 本文の言語 | 日本語 |
| タイトル（和） | 並列的なアンサンブル学習におけるデータの重みを用いた相補的な弱学習器の構成 |
| サブタイトル（和） | |
| タイトル（英） | Arrangement of Complementary Weak Learners using Weights Assigned to Data in Parallel Ensemble Learning |
| サブタイトル（英） | |
| キーワード(1)（和/英） | アンサンブル学習 / Ensemble Learning |
| キーワード(2)（和/英） | ブースティング / Boosting |
| キーワード(3)（和/英） | AdaBoost / AdaBoost |
| キーワード(4)（和/英） | 誤り訂正出力符号 / Error Correcting Output Codes |
| キーワード(5)（和/英） | 多クラス分類 / Multi-Class Classification |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 内海 翔太 / Shota Utsumi / ウツミ ショウタ |
| 第1著者 所属（和/英） | 筑波大学 (略称： 筑波大) University of Tsukuba (略称： Univ. of Tsukuba) |
| 第2著者 氏名（和/英/ヨミ） | 亀山 啓輔 / Keisuke Kameyama / カメヤマ ケイスケ |
| 第2著者 所属（和/英） | 筑波大学 (略称： 筑波大) University of Tsukuba (略称： Univ. of Tsukuba) |
| 第3著者 氏名（和/英/ヨミ） | / / |
| 第3著者 所属（和/英） | (略称： ) (略称： ) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2018-09-20 09:40:00 |
| 発表時間 | 10分 |
| 申込先研究会 | IBISML |
| 資料番号 | PRMU2018-37, IBISML2018-14 |
| 巻番号（vol） | vol.118 |
| 号番号（no） | no.219(PRMU), no.220(IBISML) |
| ページ範囲 | pp.9-15 |
| ページ数 | 7 |
| 発行日 | 2018-09-13 (PRMU, IBISML) |
[研究会発表申込システムのトップページに戻る]