文献

J-GLOBAL ID：200902254156833707   整理番号：09A0792611

生成・識別モデルの統合に基づく半教師あり学習法とその多重分類への応用

A Semi-supervised Learning Method Based on Generative/Discriminative Model Combination and Its Application to Multi-label Classification

著者 (3件)： 藤野昭典 (NTT コミュニケーション科学基礎研) ,  上田修功 (NTT コミュニケーション科学基礎研) ,  磯崎秀樹 (NTT コミュニケーション科学基礎研)
資料名： 情報処理学会論文誌トランザクション(CD-ROM)  (情報処理学会論文誌 Computer Vision and Applications(CD-ROM))
巻： 2008  号： 2  ページ： VOL.2.NO.2,132-144  発行年： 2009年04月15日 
JST資料番号： L7379A  ISSN： 1882-7772  資料種別： 逐次刊行物 (A)
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： 各データが複数のカテゴリに属する多重分類問題に対して,ラベルありデータとラベルなしデータを用いた半教師あり学習により分類器を設計する手法を提案する。提案法では,ラベルありデータで学習させた識別モデルとラベルなしデータで学習させた生成モデルを統合することによって分類器を構築する。多重テキスト分類のために,識別モデルと生成モデルにそれぞれ対数線形モデルとナイーブベイズモデルを用いて分類器を設計する。実テキストデータからなる3つのテストコレクションを用いた実験で,従来の対数線形モデルとナイーブベイズモデルの半教師あり学習法と比較して,提案法ではより高い汎化能力を持つ多重分類器を得られることを確認した。(著者抄録)

シソーラス用語： *教師つき学習 ,  *自動分類 ,  カテゴリー ,  分類装置 ,  データ ,  標識 ,  アルゴリズム ,  *Bayes推定 ,  *汎化 ,  対数線形モデル
準シソーラス用語： *半教師あり学習 ,  *多重分類 ,  分類器 ,  ラベルありデータ ,  ラベルなしデータ ,  *Naive Bayes ,  識別モデル ,  統合モデル

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

引用文献 (23件)：

• Boutella, M. R., Luo, J., Shena, X. and Brown, C. M.: Learning multi-label scene classification, Pattern Recognition, Vol.37, No.9, pp. 1757-1771(2004).
• Chen, S. F. and Rosenfeld, R.: A Gaussian prior for smoothing maximum entropy models, Technical report, Carnegie Mellon University (1999).
• Collobert, R., Sinz, F., Weston, J. and Bottou, L.: Large scale transductive SVMs, Journal of Machine Learning Research, Vol.7, pp. 1687-1712(2006).
• Dempster, A. P., Laird, N. M. and Rubin, D. B.: Maximum likelihood from incomplete data via the EM algorithm, Journal of the Royal Statistical Society, Series B, Vol.39, pp. 1-38(1977).
• Druck, G., Pal, C., Zhu, X. and McCallum, A.: Semi-supervised classification with hybrid generative/discriminative methods, Proc.13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD’07), pp. 280- 289(2007).

タイトルに関連する用語 (7件)： 識別 ,  モデル ,  統合 ,  半教師あり学習 ,  多重 ,  分類 ,  応用