文献

J-GLOBAL ID：201502205475045018   整理番号：15A0827665

高次元非線形写像の機械学習によって逆問題を解く

Solving Inverse Problem by Learning High-Dimensional Nonlinear Mapping

著者 (2件)： 宮田大輔 (長崎大 大学院工学研究科) ,  酒井智弥 (長崎大 大学院工学研究科)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 115  号： 24(PRMU2015 1-31)  ページ： 105-109  発行年： 2015年05月07日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 結果からその原因を推測することは逆問題と呼ばれる。原因から結果を算出する順問題の数値シミュレーションによって,想定される原因と結果の組を大量に生成することができる。本研究では,これを訓練データとして結果から原因への写像を機械学習する逆問題ソルバの構築法を提案する。原因や結果が高次元データで表されることに配慮して,圧縮センシングを利用した高次元非線形写像の効率的な学習アルゴリズムを我々は設計している。このアルゴリズムを紹介し,時間領域逆散乱問題に適用した実験例を示す。(著者抄録)

シソーラス用語： *写像 ,  *機械学習 ,  *逆問題 ,  シミュレーション ,  データ ,  信号再生 ,  信号標本化 ,  計算機利用 ,  学習アルゴリズム ,  信号特性 ,  非線形性 ,  データ同化 ,  射影
準シソーラス用語： 圧縮センシング ,  訓練データ ,  高次元データ ,  時間領域 ,  数値シミュレーション ,  非線形

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z)

引用文献 (22件)：

• A. Tarantola, Inverse Problem Theory: Methods for Data Fitting and Model Parameter Estimation, Elsevier, 1987.
• W. Menke, Geophysical Data Analysis: Discrete Inverse Theory, Academic Press, 1984.
• T. Sakai and D. Miyata, “Learning high-dimensional non-linear mapping via compressed sensing,“ IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp.5232-5236, 2014.
• G. Cybenko, “Approximations by superpositions of sigmoidal functions,“ Mathematics of Control, Signals, and Systems, vol.2, no.4, pp.303-314, 1989.
• K. Hornik, “Multilayer feedforward networks are universal approximators,“ Neural Networks, vol.2, pp.359-366, 1989.

タイトルに関連する用語 (5件)： 高次元 ,  非線形 ,  写像 ,  機械学習 ,  問題