文献

J-GLOBAL ID：201802216781297319   整理番号：18A0537365

Gauss混合モデルに基づく教師つきGauss過程潜在変数モデル【Powered by NICT】

Supervised Gaussian process latent variable model based on Gaussian mixture model

著者 (3件)： Zhang Jiayuan (School of Computer Science and Technology, Wuhan University of Science and Technology, Wuhan, China) ,  Zhu Ziqi (School of Computer Science and Technology, Wuhan University of Science and Technology, Wuhan, China) ,  Zou Jixin (The Institute of Forensic Science, Ministry of Public Security, Beijing, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SPAC  ページ： 124-129  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,Gauss混合モデル(GMM)に基づく教師つきGauss過程潜在変数モデル(GPLVM)を提案した。このモデルでは,潜在変数Gauss混合分布を満足し,対応する試料のラベルを与えられた潜在変数の条件付分布がGauss分布を満たすと仮定した。訓練プロセスでは,非線形次元縮小のためのパラメータにより,訓練サンプルおよびデータラベルを持つ学習される。一方,各クラスの平均と分散が学習される。,特定クラスに属する試料の確率を評価するために実行可能である。提案モデルの有効性は,いくつかの代表的な次元縮小法と比較することにより実証した。UCIデータセット上で提案手法のeffectivebessを評価した。実験結果は,提案した方法が低次元空間における異なるクラスの判別データのできることを示し,分類のための良好な性能を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 次元縮小 ,  *モデル ,  正規分布 ,  *Gauss過程
準シソーラス用語： 低次元 ,  非線形次元縮小 ,  混合分布 ,  *潜在変数 ,  *Gauss混合モデル , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： Gauss混合モデル ,  教師 ,  Gauss過程 ,  潜在変数 ,  モデル