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

The minimal learning machine (MLM) training procedure consists in solving a linear system with multiple measurement vectors (MMV) created between the geometric con gurations of points in the input and output
spaces. Such geometric con gurations 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


OKM-raportointi: Kyllä

Raportointivuosi: 2019

JUFO-taso: 1


Viimeisin päivitys 2024-11-03 klo 14:24