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。
多重集合正準相関分析(MCCA)は,マルチモーダルデータ間の線形相関を分析するのに重要な役割を果たしている。しかし,実世界で広く存在する半教師つきおよび半対マルチモーダルデータに直面している。は,異なったモデル間で対情報を必要とするのでMCCAは通常はうまく動作しない。同時に,教師なし次元低減法であるという事実のために,識別情報を利用できなかった。本論文では,筆者らは新規のアルゴリズム,半教師つき半対グラフ正則化マルチセット正準相関分析(SSGMCCA)を提案した。SSGMCCAはMCCAを行い,同時にラベル無しデータから獲得された全体的な構造情報とラベル付けされたデータから得られた局所構造情報の両者を利用する限られた対を補償するために少量対のデータを採用した。その結果,SSGMCCAは,マルチモーダルデータ間の最大相関だけでなく,ラベル付きのデータの最大限度の分離性も方向を見出すことができる。実験結果は,提案したアルゴリズムの有効性を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】