文献

J-GLOBAL ID：201802228007598160   整理番号：18A1550499

多次元潜在変数のBayes推定とその漸近精度

Bayesian estimation of multidimensional latent variables and its asymptotic accuracy

著者 (1件)： Yamazaki Keisuke (Artificial Intelligence Research Center, National Institute of Advanced Industrial Science and Technology, 2-3-26 Aomi, Koto-ku, Tokyo, Japan)
資料名： Neural Networks  (Neural Networks)
巻： 105  ページ： 14-25  発行年： 2018年09月 
JST資料番号： T0698A  ISSN： 0893-6080  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 混合モデルやBayesネットワークのような階層的学習モデルは,クラスタリング解析のような教師なし学習タスクに広く使われている。それらは観測可能で潜在的な変数から成り,与えられたデータとそれらの基礎となる生成過程をそれぞれ表す。潜在的変数の冗長性がパラメータ空間に特異性を生じるので,従来の統計解析はこれらのモデルに適用できないことが指摘されている。近年,代数幾何学に基づく方法は,Bayes推定を用いるとき,観測可能な変数を予測する精度を分析することを可能にした。しかし,教師なし学習における主要な問題の一つは,潜在的変数がどのように正確に推定されるかを決定することであるが,潜在的変数を分析する方法は十分に研究されていない。以前の研究は,潜在的変数の範囲がモデル生成データと比較して冗長であるときに用いることができる方法を提案した。本論文では,潜在的変数が冗長次元を持つ状況に対する方法を拡張した。新しい誤差関数を定式化し,それらの漸近形式を導出した。誤差関数の計算を2層Bayesネットワークで実証した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.

シソーラス用語： *教師なし学習 ,  階層構造 ,  *Bayes推定 ,  クラスタ化 ,  モデリング ,  学習 ,  学習モデル ,  誤差関数 ,  *高次元 ,  冗長性 ,  定式化 ,  統計解析 ,  空間 ,  モデル ,  *変数 ,  性質
準シソーラス用語： パラメータ空間 ,  混合モデル ,  *潜在変数 ,  特異性

著者キーワード (5件)： 教師なし学習 ,  階層的パラメトリックモデル ,  Bayes統計 ,  代数幾何学 ,  特異点

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (3件)： 多次元 ,  潜在変数 ,  Bayes推定