Bagging Technique Using Temporal Expansion Functions

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27740%2F14%3A86092399" target="_blank" >RIV/61989100:27740/14:86092399 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-08156-4_39" target="_blank" >http://dx.doi.org/10.1007/978-3-319-08156-4_39</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-08156-4_39" target="_blank" >10.1007/978-3-319-08156-4_39</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Bagging Technique Using Temporal Expansion Functions

Popis výsledku v původním jazyce

The Bootstrap aggregating (Bagging) technique is widely used in the Machine Learning area, in order to reduce the prediction error of several unstable predictors. The method trains many predictors using bootstrap samples and combine them generating a newpower learning tool. Although, if the training data has temporal dependency the technique is not applicable. One of the most efficient models for the treatment of time series is the Recurrent Neural Network (RNN) model. In this article, we use a RNN toencode the temporal dependency of the input data, then in the new encoding space the Bagging technique can be applied. We analyze the behavior of various neural activation functions for encoding the input data. We use three simulated and three real time-series data to analyze our approach.

Název v anglickém jazyce

Bagging Technique Using Temporal Expansion Functions

Popis výsledku anglicky

The Bootstrap aggregating (Bagging) technique is widely used in the Machine Learning area, in order to reduce the prediction error of several unstable predictors. The method trains many predictors using bootstrap samples and combine them generating a newpower learning tool. Although, if the training data has temporal dependency the technique is not applicable. One of the most efficient models for the treatment of time series is the Recurrent Neural Network (RNN) model. In this article, we use a RNN toencode the temporal dependency of the input data, then in the new encoding space the Bagging technique can be applied. We analyze the behavior of various neural activation functions for encoding the input data. We use three simulated and three real time-series data to analyze our approach.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Advances in Soft Computing. Volume 303

ISBN

978-3-319-08155-7

ISSN

1615-3871

e-ISSN

—

Počet stran výsledku

10

Strana od-do

395-404

Název nakladatele

Springer Verlag

Místo vydání

London

Místo konání akce

Ostrava

Datum konání akce

23. 6. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000342841800039