文献

J-GLOBAL ID：200902264758504416   整理番号：09A0831687

パターン分類のための部分空間に基づくサポートベクトルマシン

Subspace-based support vector machines for pattern classification

著者 (4件)： KITAMURA Takuya (Graduate School of Engineering, Kobe Univ., Kobe, JPN) ,  TAKEUCHI Syogo (Graduate School of Engineering, Kobe Univ., Kobe, JPN) ,  ABE Shigeo (Graduate School of Engineering, Kobe Univ., Kobe, JPN) ,  FUKUI Kazuhiro (Graduate School of Systems and Information Engineering, Univ. of Tsukuba, Tsukuba, JPN)
資料名： Neural Networks  (Neural Networks)
巻： 22  号： 5-6  ページ： 558-567  発行年： 2009年07月 
JST資料番号： T0698A  ISSN： 0893-6080  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 本論文では,部分空間に基づくサポートベクトルマシン(SS-SVM)について論じ,その中で,入力ベクトルは最大類似度を持つクラスの中に分類されることを述べた。即ち,各クラスに対し,そのクラスを表現する辞書と呼ばれるベクトルを用いて重み付き類似度を定義し,クラスのマージンが最大化されるようにその重みの最適化を行った。各クラスに対して類似度が定義されるため,データのサンプルに対しては,そのデータサンプルが所属している類似度はすべての類似度の中で最大になる必要がある。スラック変数の導入により,等式制約または不等式制約のいずれかにより,これら制約条件を定義した。その結果,部分空間に基づく最小閉包SVM(SSLS-SVM)および部分空間に基づく線形計画法SVM(SSLP-SVM)が得られた。一斉に行う定式化によりLS-SVMに類似したSSLS-SVMの訓練の高速化を行うために,それぞれの類似度を個別に最適化するすべてに対する一回の定式化によるSSLS-SVMの提案も行った。2クラス問題を用いることにより,SSLS-SVMとSSLP-SVMの差違を明確化し,等しい重みと,固有値に等しい重みを持つ従来手法に比べて,提案手法の有効性を評価した。Copyright 2009 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.

シソーラス用語： *サポートベクトルマシン ,  学習アルゴリズム ,  *部分空間法 ,  重みづけ ,  最適化 ,  度 ,  類似性 ,  制約条件 ,  高速化 ,  固有値 ,  システム評価
準シソーラス用語： 類似度

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： パターン分類 ,  部分空間 ,  サポートベクトルマシン