Artigo em revista científica Q1
Multiobjective sparse ensemble learning by means of evolutionary algorithms
Jiaqi Zhao (Zhao, J.); Licheng Jiao (Jiao, L.); Xia, Shixiong (Xia, S.); Vitor Basto-Fernandes (Basto-Fernandes, V.); Iryna Yevseyeva (Yevseyeva, I.); Zhou, Yong (Zhou, Y.); Michael T.M. Emmerichd (Emmerichd, M. T. M.); et al.
Título Revista
Decision Support Systems
Ano
2018
Língua
Inglês
País
Países Baixos (Holanda)
Mais Informação
Web of Science®

N.º de citações: 1

(Última verificação: 2019-09-10 20:08)

Ver o registo na Web of Science®

Scopus

N.º de citações: 5

(Última verificação: 2019-09-11 04:27)

Ver o registo na Scopus

Abstract/Resumo
Ensemble learning can improve the performance of individual classifiers by combining their decisions. The sparseness of ensemble learning has attracted much attention in recent years. In this paper, a novel multiobjective sparse ensemble learning (MOSEL) model is proposed. Firstly, to describe the ensemble classifiers more precisely the detection error trade-off (DET) curve is taken into consideration. The sparsity ratio (sr) is treated as the third objective to be minimized, in addition to false positive rate (fpr) and false negative rate (fnr) minimization. The MOSEL turns out to be augmented DET (ADET) convex hull maximization problem. Secondly, several evolutionary multiobjective algorithms are exploited to find sparse ensemble classifiers with strong performance. The relationship between the sparsity and the performance of ensemble classifiers on the ADET space is explained. Thirdly, an adaptive MOSEL classifiers selection method is designed to select the most suitable ensemble classifiers for a given dataset. The proposed MOSEL method is applied to well-known MNIST datasets and a real-world remote sensing image change detection problem, and several datasets are used to test the performance of the method on this problem. Experimental results based on both MNIST datasets and remote sensing image change detection show that MOSEL performs significantly better than conventional ensemble learning methods.
Agradecimentos/Acknowledgements
--
Palavras-chave
Ensemble learning,Sparse representation,Classification,Multiobjective optimization,Change detection
  • Ciências da Computação e da Informação - Ciências Naturais
  • Economia e Gestão - Ciências Sociais
Registos de financiamentos
Referência de financiamento Entidade Financiadora
2018XKQYMS27 Fundamental Research Funds for the Central Universities
UID/MULTI/0446/2013 Fundação para a Ciência e a Tecnologia

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência-IUL a possibilidade de associação, quando aplicável, dos artigos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados pelo(s) autor(es) para esta publicação. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.