环状扫描的强深度森林

摘要：

深度森林(Deep Forest,DF),由于此模型超参数少,且参数设置没有过多的要求,训练方便,鲁棒性高,因此在处理大型数据时比神经网络算法更加具有优势.但是,传统的深度森林中,多粒度扫描忽略了边缘数据携带的隐含信息,无法充分地获得各个特征子集,进而会对以后的级联部分产生影响.而且,级联部分每次得到的新特征有限,影响了模型的表征学习能力.针对以上问题,提出一种环状强深度森林(Circular Strong Deep Forest,CSDF),其通过环状扫描过程,一定程度上得到更充分的特征子集,且强级联森林通过特征选择提高了模型的表征学习能力.经过在不同数据集上的测试,结果表明,CSDF的性能更加优越,尤其是高维数据上更为明显.

关键词：深度森林、特征子集、表征学习能力、环状扫描

所属期刊栏目：57

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61772198

在线出版日期：2021-04-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：160-168