アンサンブル自己生成ニューラルネットワークのための高速枝刈り法

• Item type: Trans(1)
• 公開日: 2002-09-15
• タイトル: アンサンブル自己生成ニューラルネットワークのための高速枝刈り法
• タイトル / 言語: en
• タイトル: A Fast Pruning Method for Ensemble Self - generating Neural Networks
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: オリジナル論文
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 岡山理科大学大学院工学研究科／現在，呉工業高等専門学校電気情報工学科
• 著者所属: 岡山理科大学工学部情報工学科
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Okayama University of Science/Presently with Department of Electrical Engineering and Information Science, Kure National College of Technology
• 著者所属(英): en
• 著者所属(英): Department of Information & Computer Engineering, Faculty of Engineering, Okayama University of Science
• 著者名: 井上, 浩孝; 成久, 洋之
• 著者名(英): Hirotaka, Inoue; Hiroyuki, Narihisa
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 自己生成ニューラルネットワーク（self-generatingneuralnetworks:SGNN）は与えられた訓練データセットより自動的に自己生成ニューラル木（self-generatingneuraltree:SGNT）を構築することで高速処理を行う．我々は，SGNNの汎化誤差を減少させるため，アンサンブル自己生成ニューラルネットワーク（ensembleself-generatingneuralnetworks:ESGNN）を提案した．ESGNNは単一のSGNNに比べ高い精度を得られるが，計算コスト（記憶容量，計算時間）はアンサンブル学習に使用するSGNNの数が増えるにつれて増大する．本論文では，分類に対する記憶容量を削減するための新しいESGNNの枝刈り法を提案する．UCI機械学習データベースの10のデータセットに対し，枝刈り後のSGNNを基本予測器とするESGNNと最近傍法によるモデルの解の精度，メモリ使用量，計算時間を比較する．実験結果より，本提案手法はメモリ使用量を枝刈り前の30%から90%削減し，最近傍法を用いたモデルに比べ高い精度が得られることを示す．さらに，2つのサンプリング法による枝刈り後のESGNNの性能評価を行う．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Self-Generating Neural Networks (SGNN) have a feature of fast processing by automatically constructing self-generating neural tree (SGNT) from given training data set. In our previous work, we introduced an ensemble model called ESGNN (ensemble self-generating neural networks) which can be used to reduce the generalization error of a single SGNN. Although this model can obtain the high accuracy than a single SGNN, the computational cost increase in proportion to the number of SGNN in the ensemble learning. In this paper, we propose a newpruning method for ESGNN to reduce the memory requirement for classi fication. We compare ESGNN with nearest neighbor classifier using a collection of ten benchmark problems in the UCI machine learning repository. Experimental results showthat our method could reduce the memory requirement from 30% to 90% of unpruned ESGNN and improve the accuracy over the accuracy of the nearest neighbor classi fier. A performance analysis of pruned ESGNN on two sampling methods is also discussed.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11464803
• 書誌情報: 情報処理学会論文誌数理モデル化と応用（TOM）; 巻 43, 号 SIG07(TOM6), p. 59-69, 発行日 2002-09-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7780
• 出版者 / 言語: ja
• 出版者: 情報処理学会