トレーニング方法論

このセクションではＯＭＬＥＴ学習アプローチを要約し、我々の実験のために使った学習パラメータのアルゴリズムを論じる。ＯＭＬＥＴはルールベースで、トレーニング例と全てのトレーニング例目標値の知識プリミティブ測定値を読む。次に、それぞれの例のための知識プリミティブが、トレーニング例がラベル付けされた(サブ)カテゴリーのメンバーであることを証明するために、ルールベースでチェックされる。全てのサブカテゴリー依存度が決定され、学習レベルがルールベースで定義されたそれぞれの(サブ)カテゴリーに割り当てられる。ＯＭＬＥＴは全てのレベルの１カテゴリーのメンバーシップ関数を学び始める。最初の学習エポックは、メンバーシップ関数の最初の推測を作るために使われ、そして次にＯＭＬＥＴは１０００の追加のトレーニングエポックを繰り返す。０.１５の学習レートが１０００トレーニングエポックに使われる。１０００トレーニングエポックの後、レベル１のカテゴリーのためのもっとも良い範囲パラメータ（最も低い全体のエラーをもたらす）は、保存され固定される。カテゴリー定義の木のすべての範囲が学ばれるまで、１０００トレーニングエポックが、レベル３カテゴリーによってフォローされるまで、レベル２カテゴリーの間を繰り返す。若干の事前実験では、ＯＭＬＥＴは２００と９００のトレーニングエポックの間いつでも、カテゴリーのそれぞれのレベルで低い全体のエラーに集中した。それ故、カテゴリーレベル毎に１０００エポック訓練することに決定する。

ＯＭＬＥＴシステムの行うタスクは、トレーニングで使われていない物体を認識するために訓練されたシステムを使うことである。システムパフォーマンスの１つの測定値が、テスト例の上に観察されたエラーである。テスト例のエラーは、評価測定値の理想的なものと現実の物の間の違いの絶対値として計算される。トレーニング/テストセットは２つの方法で配置される：トレーニングとテストセットの、全てのラベル付けされたデータのランダムな分割をし、一つ抜き出してテストする。最初のケースで、与えられた大きさのトレーニングセットのために、１０トレイン/テストセットの組が、ランダムに分割された全てのラベル付けされたデータによって作られる。一つのテストセットのエラーは、全てのテスト例の平均のエラーである。与えられた大きさのトレーニングセットの結果は、１０個のエラーの平均としてレポートされる。一つ抜き出してのテストでは、データセットの一つの例がトレーニングセットから全ての残っているサンプルのテストのために使われた。これは、テストセットとしてデータ中でそれぞれの例を使って繰り返し、全てのテスト例の平均エラーとしてレポートされる。トレーニングセットサイズに対する例毎の平均エラーは、１０，２０，３０、．．．、Ｎ−１サンプルのトレーニングセットの間プロットされる。Ｎ-１トレーニング例の点は一つ抜き出すテスト結果を意味する。