文献

J-GLOBAL ID：201602287490283053   整理番号：16A0723829

非線形埋込み型特徴量選択のための単結合ニューラルネットワークの提案

Non-linear Embedded Feature Extraction Method using Comb-shaped Neural Network

著者 (6件)： 須藤明人 (東大 生産技研) ,  樋口知之 (統計数理研) ,  中野慎也 (統計数理研) ,  斎藤正也 (統計数理研) ,  矢部貴大 (東大 生産技研) ,  関本義秀 (東大 生産技研)
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： 116  号： 121(IBISML2016 1-8)  ページ： 127-131  発行年： 2016年06月27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： 日本語 (JA)

抄録/ポイント： 特徴量選択手法は,選択の基準によってラッパー法,フィルター法,埋込み法に分類できるが,埋込み法はいわゆるスパースモデリングへの有効性から,近年活発に研究されている。従来研究では,線形モデルとしてLassoが代表的であり,非線形モデルとしてカーネル法を用いた手法が複数提案されている。本研究では,従来手法とは異なる単結合ニューラルネットワークを用いたアプローチによる非線形な埋込み型特徴量選択法を提案する。加法モデルと非加法モデルから生成した人工データを用いた実験で,特徴量選択と関数近似の観点でLassaを上回る結果を得た。(著者抄録)

シソーラス用語： *機械学習 ,  *ニューラルネットワーク ,  モデリング ,  *非線形性 ,  *特徴抽出 ,  ネットワーク構造 ,  埋込み【写像】 ,  数学モデル ,  パターン認識 ,  加算 ,  関数近似 ,  学習アルゴリズム ,  実証実験
準シソーラス用語： 深層学習 ,  特徴量 ,  フィードフォワードニューラルネットワーク ,  線形モデル ,  Kernel法 ,  加法

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 非線形 ,  埋込み ,  特徴量 ,  単結合 ,  ニューラルネットワーク ,  提案