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。
過去数十年間パターン分類が広く研究されてきたが,大規模データセットでの対応する学習をどのように有効に解決するかは,まだ特別の配慮を要する問題である。SVM(サポートベクトルマシン)やSVDD(サポートベクトルデータ記述)のような多くのカーネル化分類法は,対応する二次計画法(QP)問題として定式化できる。しかし,付随するカーネル行列の計算は,nを学習パターンの大きさとして,O(n
2)あるいはO(n
3)にまで及ぶ計算量を要する。このことは,大規模データセットに対してこれらの方法の適用性を大いに制限する。本論文では,パターンの特徴空間において最適ベクトルcを見つけるためのベクトル-角度マージンに基づいて,新しい分類法「Maximum Vector-Angular Margin Classifier(MAMC)」をまず提案する。また,試験パターン全てを,ベクトルcと学習データ点の間の最大ベクトル-角度マージンρにより分類できる。したがって,カーネル化MAMCをカーネル化最小包囲球(MEB)と同等に定式化できることが証明される。そのことはMAMCの独特の利点をもたらす。すなわち,それはν-SVC(ν-サポートベクトル分類器)と同様にサポートベクトルの和を制御する柔軟性を持つ。そして,それは大規模データセットでの対応する高速学習を有効に実現できるようにコアベクトルマシン(CVM)法をMAMCと結びつけることにより,「Maximum Vector-Angular Margin Core Vector Machine(MAMCVM)」に拡張できるであろう。人工及び実際のデータセットに対する実験結果を示し,提案した方法の能力を検証する。Copyright 2012 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.