文献

J-GLOBAL ID：201402236711167353   整理番号：14A0007465

乗法カーネルモデルを用いた二乗損失相互情報量の計算効率の良い推定法

Computationally Efficient Estimation of Squared-loss Mutual Information with Multiplicative Kernel Models

著者 (2件)： SAKAI Tomoya (Tokyo Inst. of Technol., Tokyo, JPN) ,  SUGIYAMA Masashi (Tokyo Inst. of Technol., Tokyo, JPN)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 113  号： 286(IBISML2013 36-66)  ページ： 131-137  発行年： 2013年11月05日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： 二乗損失相互情報量(SMI)は,ランダム変数間の統計的依存性に関するロバストな測度である。最小二乗相互情報量(LSMI)と呼ぶサンプルベースSMI近似は,次元縮小,クラスタ化,因果推論などの多くの機械学習タスクで有用であることが示されている。当初のLSMIは,カーネルモデルを用いて点の相互情報量を近似しており,ペア化されたデータサンプル上でのカーネル基底関数の線形結合であった。このLSMIは大きなサンプルサイズの制限のなかで最適な近似精度を得ることが証明されているが,その近似能力はカーネル基底関数の欠如により,サンプルサイズが小さい場合には問題があった。カーネル基底関数の数が増えると,この欠点は軽減されるが,この方式の実行は計算コストの著しい増加を伴った。ここでは,ペアでないデータサンプルにカーネル基底関数を置き,カーネル基底関数の数がサンプルサイズの二乗となる,乗法カーネルモデルを用いたLSMIの計算量は,単純カーネルモデルのそれと同等であることを示した。実験により,乗法カーネルモデルを用いたLSMIは,サンプルサイズが小さい場合でも,単純カーネルモデルよりも正確であり,計算時間の増加もわずかであった。(翻訳著者抄録)

シソーラス用語： *相互情報量 ,  機械学習 ,  学習アルゴリズム ,  近似法 ,  *基底関数 ,  計算量 ,  効率 ,  変数 ,  確率測度 ,  依存性 ,  最小二乗法 ,  サンプルの大きさ
準シソーラス用語： *カーネル基底関数 ,  *二乗損失相互情報量 ,  計算効率 ,  ランダム変数 ,  相互依存性

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 乗法 ,  カーネル ,  モデル ,  損失 ,  相互情報量 ,  計算効率 ,  推定法