抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ニューラルネットワークによる教師付学習や種々のクラスタリング手法による教師無し学習など機械学習の多くの手法では,特徴抽出が重要となる。データ分布自体が線形分離不可能な場合,何らかの非線形変換を施し,特徴空間で線形分離可能に近づける方法がよく用いられる。本稿では,空間折畳みモデルに基づく特徴抽出を提案する。提案手法ではN次元データ空間における各基底ベクトルをプラス方向とマイナス方向の二つに分割し,2N本のN次元基底ベクトルを可変とし最適化する。2N本の可変とした基底ベクトルを,同じラベルを持つデータ間の距離が小さく,異なるラベルのデータ間の距離が大きくなるように,ラベルと距離とのクロスエントロピーを最小化するように推定する。提案手法では象限ごとに異なる線形変換を行い,全体として非線形変換を行うため,従来の単一の線形変換による特徴抽出と比べ判別精度を向上できる。本稿では,提案した空間折畳みモデルを用いた特徴抽出がニューラルネットワークに有効であることをUCIのベンチマーク問題において確認した。(著者抄録)