文献

J-GLOBAL ID：201702273264702996   整理番号：17A0757095

半教師つきおよび半対グラフ正則化マルチセット正準相関分析【Powered by NICT】

Semi-Supervised and Semi-Paired Graph Regularized Multiset Canonical Correlation Analysis

著者 (3件)： Guo Xin ,  Qi Lin ,  Guan Ling
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： ISM  ページ： 379-384  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多重集合正準相関分析(MCCA)は,マルチモーダルデータ間の線形相関を分析するのに重要な役割を果たしている。しかし,実世界で広く存在する半教師つきおよび半対マルチモーダルデータに直面している。は,異なったモデル間で対情報を必要とするのでMCCAは通常はうまく動作しない。同時に,教師なし次元低減法であるという事実のために,識別情報を利用できなかった。本論文では,筆者らは新規のアルゴリズム,半教師つき半対グラフ正則化マルチセット正準相関分析(SSGMCCA)を提案した。SSGMCCAはMCCAを行い,同時にラベル無しデータから獲得された全体的な構造情報とラベル付けされたデータから得られた局所構造情報の両者を利用する限られた対を補償するために少量対のデータを採用した。その結果,SSGMCCAは,マルチモーダルデータ間の最大相関だけでなく,ラベル付きのデータの最大限度の分離性も方向を見出すことができる。実験結果は,提案したアルゴリズムの有効性を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 小規模 ,  *グラフ ,  アルゴリズム ,  *正則化 ,  モデル ,  次元縮小
準シソーラス用語： 分離可能性 ,  局所構造 ,  識別子 ,  線形相関 ,  *正準相関解析 ,  *多重集合 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 教師 ,  グラフ ,  正則化 ,  マルチセット ,  正準相関分析