메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Swe Swe Aung (University of the Ryukyus) Itaru Nagayama (University of the Ryukyus) Shiro Tamaki (University of the Ryukyus)
저널정보
대한전자공학회 IEIE Transactions on Smart Processing & Computing IEIE Transactions on Smart Processing & Computing Vol.7 No.6
발행연도
2018.12
수록면
413 - 423 (11page)
DOI
10.5573/IEIESPC.2018.7.6.413

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
As we know, machine learning algorithms are powerful tools for a variety of application domains, giving widely divergent dimensions, such as reliability, precision, robustness, high-speed solutions, etc. Likewise, the other critical dimension that a well-designed learning algorithm should occupy is strength against unpredictable and phenomenal noise. For this critical dimension, we introduce a new approach, dual k-nearest neighbors (dual-kNN), to investigate the tolerance level for mislabeling based on different injected-noise levels. Literally, dual-kNN is a reborn algorithm of k-nearest neighbors (k-NN) aiming to reduce the influence of a steady decrease in prediction accuracy over increasing k values. What is more, dual-kNN is proven to have higher classification accuracy in many application domains. For the primary goal of this paper, we mainly emphasize investigating dual-kNN’s resistance level to mislabeled classes. Provably, our empirical experimentations describe how dual-kNN has a higher resistance level to mislabeling than normal k-NN, density-based kNN, and logistic regression, for noise levels of up to 50%. The practical datasets applied within this paper are medical data files from the University of California, Irvine (UCI) Machine Learning Repository.
#Dual-kNN #Density-based kNN #k-NN #Mislabeled noise

목차

Abstract
1. Introduction
2. Related Work
3. Mislabeled Dataset Generation
4. Importance of Noise Resistance
5. K-Nearest Neighbors
6. Density-based kNN
7. Dual-kNN
8. Logistic Regression
9. Medical Diagnosis Problems
10. Experiments and Results
11. Conclusion
References

참고문헌 (13)

참고문헌 신청
[학술지(정기간행물)] - C. E. Brodley / 1999 / Identifying Mislabled Training Data / Journal of Artificial Intelligent Research : 131 ~ 167 google schola [학술지(정기간행물)] - A. Ghosh / 2015 / Making Risk Minimization Tolerant To Label Noise / Journal of Neuro Computing 160 : 93 ~ 107 google schola [학술지(정기간행물)] - L. P. F. Garcia / 2015 / Effect of Label Noise in the Complexity of Classification Problem / Journal of Neuro Computing 160 : 108 ~ 119 google schola [학술지(정기간행물)] - K. Mirylenka / 2016 / On Classifier Behavior in the Presence of Mislabeling Noise / Journal of Springer google schola [학술지(정기간행물)] - C. Pelletier / 2017 / Effect of Training Class Label Noise on Classification Performances for Land Cover Mapping with Satellite Image Time Series / Journal of Remote Sensing 9 (2) google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2019-569-000333394