講演抄録/キーワード |
講演名 |
2010-09-06 11:10
裾野の重たい分布関数を利用した学習ベクトル量子化手法 ○宮野博義・石寺永記(NEC情報システムズ) PRMU2010-81 IBISML2010-53 |
抄録 |
(和) |
事後確率最大化に基づく新しい学習ベクトル量子化(LVQ)の手法を提案する。LVQはデータを学習することによって求められるプロトタイプを用いて、最近傍決定則での識別を行う手法である。LVQは識別の高速性や多クラス問題への拡張容易性から、画像処理全般で幅広く用いられている。近年、事後確率最大化という確率的な枠組みで整理しなおした手法が提案され(RSLVQ)、従来のLVQよりも良い性能が得られるとの報告がある。しかし、RSLVQでは学習時に正規分布のモデルを仮定しているために、プロトタイプの位置が発散し、そのために認識性能が低下する可能性がある。そこで、提案手法では、正規分布の代わりに裾野の重たい分布関数を用いた学習を行う。シミュレーションの結果、各クラスのプロトタイプ位置の発散が抑えられ、RSLVQよりも高い認識性能が得られることを確認した。 |
(英) |
This paper presents a novel Lerning Vector Quantization (LVQ) algorithm using a heavy-tailed distribution ansatz. LVQ is a popular class of nearest prototype classifiers for multiclass classification. Recently Robust Soft Lerning Vector Quantization (RSLVQ) algorithm is proposed which is based on logistic regression, and the algorithm leads to better classification performance than other LVQ based algorithms. But it has a problem that sometimes the prototypes may diverge, because it uses a Gaussian mixture ansatz. our proposed algorithm can solve the problem by using a heavy-tailed distribution ansatz instead of Gaussian. Experimental evaluations on several public datasets show that the performance of our algorithm is better than the performance of RSLVQ. |
キーワード |
(和) |
学習ベクトル量子化 / ロジスティック回帰 / 混合モデル / 裾野の重たい分布 / / / / |
(英) |
lerning vector quantization / logistic regression / mixture model / heavy-tailed distribution / / / / |
文献情報 |
信学技報, vol. 110, no. 187, PRMU2010-81, pp. 185-192, 2010年9月. |
資料番号 |
PRMU2010-81 |
発行日 |
2010-08-29 (PRMU, IBISML) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
PRMU2010-81 IBISML2010-53 |
研究会情報 |
研究会 |
IBISML PRMU IPSJ-CVIM |
開催期間 |
2010-09-05 - 2010-09-06 |
開催地(和) |
福岡大学 |
開催地(英) |
Fukuoka Univ. |
テーマ(和) |
コンピュータビジョンとパターン認識のための機械学習と最適化, 一般 |
テーマ(英) |
Machine learning and optimization for computer vision and pattern recognition, etc. |
講演論文情報の詳細 |
申込み研究会 |
PRMU |
会議コード |
2010-09-IBISML-PRMU |
本文の言語 |
日本語 |
タイトル(和) |
裾野の重たい分布関数を利用した学習ベクトル量子化手法 |
サブタイトル(和) |
|
タイトル(英) |
Learning Vector Quantization Using a Heavy-tailed Distribution Ansatz |
サブタイトル(英) |
|
キーワード(1)(和/英) |
学習ベクトル量子化 / lerning vector quantization |
キーワード(2)(和/英) |
ロジスティック回帰 / logistic regression |
キーワード(3)(和/英) |
混合モデル / mixture model |
キーワード(4)(和/英) |
裾野の重たい分布 / heavy-tailed distribution |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
宮野 博義 / Hiroyoshi Miyano / ミヤノ ヒロヨシ |
第1著者 所属(和/英) |
株式会社NEC情報システムズ (略称: NEC情報システムズ)
NEC Informatec Systems,Ltd. (略称: NEC Informatec Systems) |
第2著者 氏名(和/英/ヨミ) |
石寺 永記 / Eiki Ishidera / |
第2著者 所属(和/英) |
株式会社NEC情報システムズ (略称: NEC情報システムズ)
NEC Informatec Systems,Ltd. (略称: NEC Informatec Systems) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2010-09-06 11:10:00 |
発表時間 |
30分 |
申込先研究会 |
PRMU |
資料番号 |
PRMU2010-81, IBISML2010-53 |
巻番号(vol) |
vol.110 |
号番号(no) |
no.187(PRMU), no.188(IBISML) |
ページ範囲 |
pp.185-192 |
ページ数 |
8 |
発行日 |
2010-08-29 (PRMU, IBISML) |