Název:	Ensembles and Cascading of Embedded Prototype Subspace Classifiers
Autoři:	Hast, Anders Lind, Mats
Citace zdrojového dokumentu:	Journal of WSCG. 2020, vol. 28, no. 1-2, p. 89-95.
Datum vydání:	2020
Nakladatel:	Václav Skala - UNION Agency
Typ dokumentu:	článek article
URI:	http://wscg.zcu.cz/WSCG2020/2020-J_WSCG-1-2.pdf http://hdl.handle.net/11025/38429
ISSN:	1213-6972 (print) 1213-6980 (CD-ROM) 1213-6964 (on-line)
Klíčová slova:	podprostory;soubory;kaskádování;vložené prototypy;neuronové sítě;hluboké učení
Klíčová slova v dalším jazyce:	subspaces;ensembles;cascading;embedded prototypes;neural networks;deep learning
Abstrakt v dalším jazyce:	Deep learning approaches suffer from the so called interpretability problem and can therefore be very hard to visualise. Embedded Prototype Subspace Classifiers is one attempt in the field of explainable AI, which is both fast and efficient since it does not require repeated learning epochs and has no hidden layers. In this paper we investigate how ensembles and cascades of ensembles perform on some popular datasets. The focus is on handwritten data such as digits, letters and signs. It is shown how cascading can be efficiently implemented in order to both increase accuracy as well as speed up the classification.
Práva:	© Václav Skala - UNION Agency
Vyskytuje se v kolekcích:	Volume 28, Number 1-2 (2020)

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.