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。
半教師有り学習の目的はラベル無しインスンタンスを利用してラベル有りインスタンスのみを用いた場合よりも汎化性能のよい分類器を作成することである。Semi-Supervised Support Vector Machine(S
3VM)は半教師有り学習の文脈で使えるようにSVMを拡張した分類アルゴリズムである。S
3VMの学習は組み合わせ最適化問題や非凸最適化問題として定式化される。小規模な問題を除きS
3VMの大域的最適解を見つけるのは困難であるため,S
3VM研究の目的はアニーリングなどの探索ヒューリスティクスを用いてよい局所最適解を見つけることである。本稿ではパラメトリック計画法をS
3VMに導入して局所最適解を求める新しいアルゴリズムを提案する。本稿の主な貢献は,S
3VMの局所最適解の必要十分条件の導出し,その条件を利用して局所最適解のパスを計算するアルゴリズムを提案することである。これにより,ラベル無しインスタンスの影響を徐々に増やしていく際の局所最適解のパスを計算することが可能となる。提案アルゴリズムはよい局所最適解を見つけられることが実験的に確認されたが,これは提案法が無限小ステップのアニーリングと解釈できるためと推測される。また,提案アルゴリズムを用いると,ラベル無しインスタンスの影響を制御するためのモデル選択を安定的かつ効率的に行うことができる。本稿ではこれらの利点を数値実験によって例証する。(著者抄録)