熱力学と触媒のジャーナル
オープンアクセス

概要

透過率予測のための精度と多様性のトレードオフに基づく剪定委員会ニューラルネットワーク

シード・アリ・ジャファリ・ケナリとシャムシア・マショホル

コミッティ マシン (CM) またはアンサンブルは、一部の学習者またはエキスパートを集約して、単一のメンバーと比較して一般化パフォーマンスを向上させる機械学習手法を導入します。構築された CM は、不必要に大きくなる場合があり、余分なメモリの使用、計算オーバーヘッド、および時々有効性が低下するなどの欠点があります。個々のエキスパート間の高い多様性を維持しながら、このコミッティの一部のメンバーを剪定することは、予測パフォーマンスを向上させる効率的な手法です。コミッティ メンバー間の多様性は非常に重要な測定パラメータであり、必ずしもその精度とは独立しているわけではなく、本質的にメンバー間にはトレードオフがあります。この論文では、最初に異なる学習アルゴリズムを使用してコミッティ ニューラル ネットワークを構築し、次に多様性と精度のトレードオフに基づくエキスパート 剪定方法を提案して、コミッティ マシン フレームワークを改善しました。最後に、この提案された構造を適用して、利用可能なコア データの助けを借りて、坑井ログ データから透水性値を予測しました。結果は、私たちの方法が、最良のエキスパートおよび初期のコミッティ マシンと比較して、最も低いエラーと最も高い相関係数を提供し、透水性予測の信頼性に関する重要な情報も生成することを示しています。