| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2017-03-01 15:55 ［招待講演］多カーネル適応フィルタ：信号処理と機械学習 ○湯川正裕（慶大）  EA2016-113 SIP2016-168 SP2016-108 |
|
| 抄録 | （和） | 時系列データ予測や多重スケールデータ解析などへの応用が期待される多カーネル適応フィルタを解説し、最近の研究成果を紹介する。ガウス過程やサポートベクトル回帰をオンライン処理に拡張したカーネル適応フィルタは、性能が再生核の選択に強く依存する。カーネル法と切り離せないこの課題を解決すべく提案されたのが、多カーネル適応フィルタである。再生核ヒルベルト空間の計量を用いることで直交射影型カーネル適応アルゴリズムの収束速度が向上するという経験則を裏付ける結果を紹介し、部分空間における最良近似と最小平均２乗誤差解が一致するための条件を示す。再生核ヒルベルト空間の積空間を利用した多カーネル適応フィルタを紹介するとともに、移動体通信システムへの応用や多カーネル学習法との比較、２種類の多重スケール性にも触れる。 |
| （英） | We present the multikernel adaptive filtering and introduce its recent advances. Multikernel adaptive filtering is a recently proposed learning paradigm for nonlinear estimation tasks, and its potential applications include time-series data prediction and multi-scale data analysis, among many others. Kernel adaptive filter is an online extension of the popular Gaussian process or support vector regression, and its performance depends significantly on the selected kernel. Multikernel adaptive filtering has been proposed to circumvent this notoriously difficult kernel-dependency problem which is a common issue for most (if not all) kernel methods. Kernel adaptive filtering algorithm can be constructed based on the convex projection in one of the following spaces: the parameter space or the reproducing kernel Hilbert space (RKHS). While it was shown experimentally that the use of the latter space leads to faster convergence, its theoretical reason becomes clear only recently. The multikernel adaptive filtering algorithm based on the convex projection in the product space of RKHSs gives improved convergence behaviors compared to the original algorithms, which are based on the Euclidean-space projection. We also touch upon two types of multi scale, an application to communication systems, and comparisons with multiple kernel learning, which has been studied in machine learning community. | |
| キーワード | （和） | 非線形適応フィルタ / 時系列データ予測 / 再生核ヒルベルト空間 / 凸射影 / / / / |
| （英） | nonlinear adaptive filter / time-series data prediction / reproducing kernel Hilbert space / convex projection / / / / | |
| 文献情報 | 信学技報, vol. 116, no. 477, SP2016-108, pp. 177-182, 2017年3月. | |
| 資料番号 | SP2016-108 | |
| 発行日 | 2017-02-22 (EA, SIP, SP) | |
| 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 | EA2016-113 SIP2016-168 SP2016-108 |
|
| 研究会情報 | |
| 研究会 | SP SIP EA |
| 開催期間 | 2017-03-01 - 2017-03-02 |
| 開催地（和） | 沖縄産業支援センター |
| 開催地（英） | Okinawa Industry Support Center |
| テーマ（和） | 音声，応用／電気音響，信号処理，一般 |
| テーマ（英） | Speech, Engineering/Electro Acoustics, Signal Processing, and Related Topics |
| 講演論文情報の詳細 | |
| 申込み研究会 | SP |
| 会議コード | 2017-03-SP-SIP-EA |
| 本文の言語 | 日本語 |
| タイトル（和） | 多カーネル適応フィルタ：信号処理と機械学習 |
| サブタイトル（和） | |
| タイトル（英） | Multikernel Adaptive Filtering: Signal Processing and Machine Learning |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 非線形適応フィルタ / nonlinear adaptive filter |
| キーワード(2)（和/英） | 時系列データ予測 / time-series data prediction |
| キーワード(3)（和/英） | 再生核ヒルベルト空間 / reproducing kernel Hilbert space |
| キーワード(4)（和/英） | 凸射影 / convex projection |
| 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） | 湯川 正裕 / Masahiro Yukawa / ユカワ マサヒロ |
| 第1著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 第2著者 氏名（和/英/ヨミ） | / / |
| 第2著者 所属（和/英） | (略称： ) (略称： ) |
| 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： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2017-03-01 15:55:00 |
| 発表時間 | 40分 |
| 申込先研究会 | SP |
| 資料番号 | EA2016-113, SIP2016-168, SP2016-108 |
| 巻番号（vol） | vol.116 |
| 号番号（no） | no.475(EA), no.476(SIP), no.477(SP) |
| ページ範囲 | pp.177-182 |
| ページ数 | 6 |
| 発行日 | 2017-02-22 (EA, SIP, SP) |
[研究会発表申込システムのトップページに戻る]