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。
自己組織化ARTマップルール発見(SOARD)システムはオンライン学習中に認識クラス間の関係を導く。入出力ペア上のSOARD訓練により,新しい試験入力に対する個別クラスラベルの直接認識能力が生成される。代表的な教師つきシステムとしてSOARDシステムでは,多対一マップを学習し,異なる入力(Spot,Rex)を一クラス(イヌ)に所属すると認識する。ARTMAPシステムとして一対多マップを学習し,入力(Spot)が誤った予測(ネコ)を訂正する場合でも,以前に学習した出力(イヌ)を忘れること無しに新クラス(動物)を学習できる。それは個別入出力クラス予測を学習するため,SOARDではオンラインルール発見をサポートする分散型コード表現を採用する。入力Spotがイヌおよび動物のクラスを活性化する場合,イヌ→動物というルールの信頼度が高まり始める。その他の入力が同時にネコおよび動物のクラスを活性化する場合,動物→イヌという逆方向ルールにおける信頼度は低下する。自己組織化ルールにおける信頼度は,一つのクラスノードからその他のノードに向けての経路の中の重みとして符号化される。経験に基づくメカニズムによりルール学習の速度が変調され,早期学習中の誤ったルールの生成を低精度な予測が行わないように保つ。ルールベースの活性化により欠落クラスが追加され正しくないクラスが除去されることが可能になるように,ルールは興奮性または抑制性のいずれかである。SOARDルール活性化はまた,教師つき訓練中にはこれまで経験したことの無い出力クラスの直接的予測を行うための学習を行う入力が可能になる。入力Rexがその学習済みクラスイヌを学習した場合,イヌ→動物というルールは,出力となるクラス動物の間接的活性化を行う。ここで新しく活性化されたクラスは教師信号として働き,それにより,入力Rexでは出力クラス動物の直接活性化を学習することが可能になった。小規模および大規模データセットを用いたシミュレーション実験により,空間ドメインおよび時系列ドメインの両者において提案SOARDシステムの機能的性質を示した。Copyright 2011 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.
