虚拟样本合适性筛选机制
在过往小样本学习方法中,虚拟样本产生法虽已被证实能有效提升机械学习算法的学习结果,然而对于如何确认所产生之虚拟样本的质量并未有明确的定义,如扩散神经网络虽有考虑属性相关性于样本生成过程,然而该方法却仅局限于属性间的相关性必须大于0.9时,而又如整体趋势扩散(mega-trend-diffusion,MTD)技术则是在假设属性间独立情况下,于产生样本过程并未考虑此间关联性,而导致所产生之虚拟样本超出母体范围.虽小样本信息不足尽信,然小样本数据本属母体之部分集合,若能因而据此而生成保有小样本特性之虚拟样本,则可确保其合理性.因此本研究依此概念提出一套虚拟样本筛选机制,藉由小样本属性间的关联性来进行样本筛选.本研究以MTD为例,于实验结果显示,经筛选过后的虚拟样本除能保有小样本之信息外,于使用多元线性回归、以及倒传递类神经网络建模后,对于预测准确度能有更佳的改善.
小样本学习 虚拟样本 合适性 筛选机制
林耀三 张延全 张哲荣 陈建智 利德江
中华医事科技大学资讯管理系 台南市 71003 国立成功大学高阶管理硕士在职专班 台南市 70101 中原大學企业管理学系 桃園縣 32023 国立成功大学台南市工业与资讯管理学系 70101
国内会议
武汉
中文
582-589
2016-04-22（万方平台首次上网日期，不代表论文的发表时间）