Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

An Active Learning Algorithm Based on Existing Training Data Algoritma Pembelajaran Aktif Berdasarkan Data Latihan Sedia Ada

Hiroyuki TAKIZAWA, Taira NAKAJIMA, Hiroaki KOBAYASHI, Tadao NAKAMURA

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Perceptron berbilang lapisan biasanya dianggap sebagai pelajar pasif yang hanya menerima data latihan yang diberikan. Walau bagaimanapun, jika perceptron berbilang lapisan secara aktif mengumpul data latihan yang menyelesaikan ketidakpastiannya tentang masalah yang sedang dipelajari, klasifikasi yang cukup tepat dicapai dengan data latihan yang lebih sedikit. Baru-baru ini, pembelajaran aktif sebegini telah mendapat minat yang semakin meningkat. Dalam makalah ini, kami mencadangkan strategi pembelajaran aktif yang baru. Strategi ini cuba menghasilkan hanya data latihan yang berguna untuk perceptron berbilang lapisan untuk mencapai pengelasan yang tepat, dan mengelakkan penjanaan data latihan yang berlebihan. Tambahan pula, strategi ini cuba mengelak daripada menjana data latihan yang berguna buat sementara waktu yang akan menjadi berlebihan pada masa hadapan. Akibatnya, strategi ini boleh membenarkan perceptron berbilang lapisan mencapai pengelasan yang tepat dengan data latihan yang lebih sedikit. Untuk menunjukkan prestasi strategi berbanding dengan strategi pembelajaran aktif yang lain, kami juga mencadangkan algoritma pembelajaran aktif empirikal sebagai pelaksanaan strategi, yang tidak memerlukan pengiraan yang mahal. Keputusan eksperimen menunjukkan bahawa algoritma yang dicadangkan meningkatkan ketepatan klasifikasi perceptron berbilang lapisan dengan data latihan yang lebih sedikit daripada algoritma pemilihan rawak konvensional yang membina set data latihan tanpa strategi yang jelas. Selain itu, algoritma mengatasi algoritma pembelajaran aktif biasa dalam eksperimen. Keputusan tersebut menunjukkan bahawa algoritma boleh membina set data latihan yang sesuai pada kos pengiraan yang lebih rendah, kerana penjanaan data latihan biasanya mahal. Sehubungan itu, algoritma membuktikan keberkesanan strategi melalui eksperimen. Kami juga membincangkan beberapa kelemahan algoritma.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E83-D No.1 pp.90-99
Tarikh penerbitan
2000/01/25
Diumumkan
ISSN dalam talian
DOI
Jenis Manuskrip
PAPER
kategori
Biosibernetik, Neurokomputer

Pengarang

Kata kunci

Contents [show]