A4 Artikkeli konferenssijulkaisussa
Sparse minimal learning machine using a diversity measure minimization (2019)
Dias, M. L. D., Sousa, L. S., Rocha Neto, A. R. D., Mattos, C. L. C., Gomes, J. P.P., & Kärkkäinen, T. (2019). Sparse minimal learning machine using a diversity measure minimization. In ESANN 2019 : Proceedings of the 27th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (pp. 269-274). ESANN. https://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2019-178.pdf
JYU-tekijät tai -toimittajat
Julkaisun tiedot
Julkaisun kaikki tekijät tai toimittajat: Dias, Madson L. D.; Sousa, Lucas S.; Rocha Neto, Ajalmar R. da; Mattos, César L. C.; Gomes, João P. P.; Kärkkäinen, Tommi
Emojulkaisu: ESANN 2019 : Proceedings of the 27th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning
Konferenssi:
- European symposium on artificial neural networks, computational intelligence and machine learning
Konferenssin paikka ja aika: Bruges, Belgium, 24.-26.4.2019
ISBN: 978-2-87587-065-0
eISBN: 978-2-87587-066-7
Julkaisuvuosi: 2019
Artikkelin sivunumerot: 269-274
Kirjan kokonaissivumäärä: 696
Kustantaja: ESANN
Julkaisumaa: Belgia
Julkaisun kieli: englanti
Pysyvä verkko-osoite: https://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2019-178.pdf
Julkaisun avoin saatavuus: Muulla tavalla avoin
Julkaisukanavan avoin saatavuus:
Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/66333
Tiivistelmä
spaces. Such geometric congurations are built upon two matrices created using subsets of input and output points, named reference points (RPs). The present paper considers an extension of the focal underdetermined
system solver (FOCUSS) for MMV linear systems problems with additive noise, named regularized MMV FOCUSS (regularized M-FOCUSS), and evaluates it in the task of selecting input reference points for regression
settings. Experiments were carried out using UCI datasets, where the proposal was able to produce sparser models and achieve competitive performance when compared to the regular strategy of selecting MLM input RPs.
YSO-asiasanat: koneoppiminen
Liittyvät organisaatiot
Hankkeet, joissa julkaisu on tehty
- Yliopistojen profiloitumisen vahvistaminen kilpaillulla rahoituksella. Profilointitoimet JYU:ssä, 3. kierros
- Hämäläinen, Keijo
- Suomen Akatemia
- Hybridinanopartikkelien rakenteiden ennustaminen tekoälyä hyväksi käyttäen
- Kärkkäinen, Tommi
- Suomen Akatemia
OKM-raportointi: Kyllä
Raportointivuosi: 2019
JUFO-taso: 1