講演抄録/キーワード |
講演名 |
2012-03-15 14:35
変分ベイズ法を用いたスパースなGTMの構築 ○山口暢彦(佐賀大) NC2011-166 |
抄録 |
(和) |
近年,観測データの分布を潜在変数の非線形変換を用いて表現することによりデータの可視化を行うGTM(Generative Topographic Mapping)が提案され,多くの研究が行われている.GTMは,観測データを制約付き混合分布モデルにあてはめ,EMアルゴリズムを用いて最尤推定することによりデータの可視化を行う.しかしながら,最尤推定はデータの個数が十分でない場合過学習するという問題がある.そこで本論文では,過学習を抑制する学習法として変分ベイズ法に注目し,変分ベイズ法を用いたGTMの学習アルゴリズムについて提案を行う.また,計算機実験により提案手法の有効性を確認する. |
(英) |
Generative Topographic Mapping (GTM) is a nonlinear latent variable model introduced by Bishop {\it et al.} as a data visualization technique. The GTM is formulated as a constrained mixture model, and uses the EM algorithm to obtain the maximum likelihood estimate. However, maximum likelihood estimation is prone to overfitting to training data. In this paper, we focus on a variational Bayesian approach to avoid overfitting, and we propose the GTM algorithm using the variational Bayesian approach. We also report results of experiments comparing the proposed variational Bayesian GTM with some other GTM approaches. |
キーワード |
(和) |
データの可視化 / GTM / 変分ベイズ / / / / / |
(英) |
Data Visualization / GTM / Variational Bayes / / / / / |
文献情報 |
信学技報, vol. 111, no. 483, NC2011-166, pp. 263-268, 2012年3月. |
資料番号 |
NC2011-166 |
発行日 |
2012-03-07 (NC) |
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 |
NC2011-166 |