文献

J-GLOBAL ID：201902268778413347   整理番号：19A1956557

選択的不感化ニューラルネットによる特徴量の有効性の分析

著者 (3件)： 染野翔一 (筑波大 大学院システム情報工学研究科) ,  堀江和正 (筑波大 計算科学研究セ) ,  森田昌彦 (筑波大 システム情報系)
資料名： 電子情報通信学会論文誌 D(Web)
巻： J102-D  号： 8  ページ： 567-574 (WEB ONLY)  発行年： 2019年08月01日 
JST資料番号： U0473A  ISSN： 1881-0225  資料種別： 逐次刊行物 (A)
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： 機械学習によって関数近似を行う場合,入力変数(特徴量)の中に出力と無関係のものがあると近似精度が低下する場合が多いが,完全に無関係かどうかを判断するのは容易でない.本論文では,選択的不感化ニューラルネット(SDNN)を用いて,各入力変数が出力に関係するか,すなわち特徴量が有効かどうかを判別する方法を提案する.人工的に作成した関数近似課題を用いて学習実験を行ったところ,SDNNは無効変数が多く含まれていても,比較的少ないサンプルで十分に高い近似精度が得られること,無効変数のみに関係するSDNNの結合荷重はそれ以外のものに比べて分散が小さくなることがわかった.また,このことを利用して,出力と相関がないが関係する変数,限られた場合にのみ関係する変数や,単独では効果が薄いが相乗効果を発揮する変数のペアも無効変数と区別できるという結果が得られた.このことは,SDNNの計算コストの大幅な削減に利用できるとともに,従来よりも効果的な特徴選択や非線形データ解析の手法の開発につながると考えられる.(著者抄録)

シソーラス用語： *ニューラルネットワーク ,  *情報 ,  *関数近似 ,  変数 ,  相乗作用 ,  原価 ,  *特徴選択 ,  計算コスト ,  *特徴量
準シソーラス用語： ニューラルネット ,  *選択的不感化ニューラルネット ,  相乗効果

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (18件)：

• 新保智之,山根健,田中文英,森田昌彦,“選択的不感化ニューラルネットを用いた強化学習の価値関数近似,” 信学論(D),vol.J93-D, no.6, pp.837-847, June 2010.
• M.L. Bermingham, R. Pong-Wong, A. Spiliopoulou, C. Hayward, I. Rudan, H. Campbell, A.F. Wright, J.F. Wilson, F. Agakov, P. Navarro, and C.S. Haley, “Application of high-dimensional feature selection: evaluation for genomic prediction in man,” Scientific Reports, vol.5, article number 10312, 2015. DOI:10.1038/srep10312
• Y. Saeys, I. Inza, and P. Larranaga, “A review of feature selection techniques in bioinformatics,” Bioinformatics, vol.23, no.19, pp.2507-2517, 2007.
• I. Guyon and A. Elisseeff, “An introduction to variable and feature selection,” J. Machine Learning Research, vol.3, pp.1157-1182, 2003.
• P. Ravisankar, V. Ravi, G.R. Rao, and I. Bose, “Detection of financial statement fraud and feature selection using data mining techniques,” Decision Support Systems, vol.50, no.2, pp.491-500, 2011. DOI:10.1016/j.dss.2010.11.006

タイトルに関連する用語 (3件)： ニューラルネット ,  特徴量 ,  分析