| 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 | 2018-03-05 17:00 異種データ活用のための変換複合行列分解 ○土屋 平（早大）・岩田具治（NTT）・小川哲司（早大）  IBISML2017-96 |
|
| 抄録 | （和） | 行列分解はコンピュータ・ビジョンや文書解析，信号処理，協調フィルタリングなど，様々な分野で利用されている． 行列分解は，内積が元の行列を表現するような2つの低次元行列を獲得する． また，異なる特性を持った補助行列を利用することで， 行列分解を対象行列の疎性に対してより頑健にする手法として複合行列分解の有効性が知られている． しかし，複合行列分解は，対象行列と補助行列の性質が大きく異なる場合には， 補助情報を有効に利用できない可能性がある． 本研究では，この問題を解決するために，新しい行列分解の枠組みである変換複合行列分解を提案する． 提案法では，新しく導入された共通潜在表現が異なる行列間で属性ごとに共有され， この共通潜在表現の非線形変換により各行列の潜在表現を得る． それにより，提案法では，異種関係があるような複数の行列を有効に活用することができる． 3種類の実データを用いた実験により，提案法が行列分解と複合行列分解を上回る性能を持つことを示した． |
| （英） | Matrix factorization is widely used for a variety of fields, such as computer vision, document analysis, signal processing, and collaborative filtering. Matrix factorization acquires latent representations for rows and columns so that their inner products can represent elements of a target matrix. Auxiliary matrices with different properties are often available. Multiple matrix factorization exploits these auxiliary matrices to make matrix factorization more robust against the sparseness of the target matrix. Multiple matrix factorization, however, fails to utilize auxiliary information when these matrices have heterogeneous relationships against the target matrix because it learns the identical latent representations for multiple matrices, resulting in modeling linear relationships between matrices. In the present paper, transformed multiple matrix factorization is proposed to tackle this problem. The proposed method assumes that common latent representations, which are newly introduced, are shared across different matrices, but they are transformed by different non-linear functions to obtain latent representations for each matrix. The proposed method can therefore handle heterogeneous relationships among different matrices. Experiments conducted on three real-world datasets demonstrated that the proposed method outperformed vanilla matrix factorization and multiple matrix factorization. | |
| キーワード | （和） | 行列分解 / マルチタスク学習 / 転移学習 / ニューラルネットワーク / / / / |
| （英） | matrix factorizatoin / multi-task learning / transfer learning / neural networks / / / / | |
| 文献情報 | 信学技報, vol. 117, no. 475, IBISML2017-96, pp. 41-48, 2018年3月. | |
| 資料番号 | IBISML2017-96 | |
| 発行日 | 2018-02-26 (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 | IBISML2017-96 |
|
| 研究会情報 | |
| 研究会 | IBISML |
| 開催期間 | 2018-03-05 - 2018-03-06 |
| 開催地（和） | 九州大学 西新プラザ |
| 開催地（英） | Nishijin Plaza, Kyushu University |
| テーマ（和） | 統計数理・機械学習・データマイニング・一般 |
| テーマ（英） | Statisitical Mathematics, Machine Learning, Data Mining, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | IBISML |
| 会議コード | 2018-03-IBISML |
| 本文の言語 | 日本語 |
| タイトル（和） | 異種データ活用のための変換複合行列分解 |
| サブタイトル（和） | |
| タイトル（英） | Transformed Multiple Matrix Factorization: Towards Utilizing Heterogeneous Auxiliary Information |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 行列分解 / matrix factorizatoin |
| キーワード(2)（和/英） | マルチタスク学習 / multi-task learning |
| キーワード(3)（和/英） | 転移学習 / transfer learning |
| キーワード(4)（和/英） | ニューラルネットワーク / neural networks |
| 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） | 土屋 平 / Taira Tsuchiya / ツチヤ タイラ |
| 第1著者 所属（和/英） | 早稲田大学 (略称： 早大) Waseda University (略称： Waseda Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 岩田 具治 / Tomoharu Iwata / イワタ トモハル |
| 第2著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) Nippon Telegraph and Telephone Corporation (略称： NTT) |
| 第3著者 氏名（和/英/ヨミ） | 小川 哲司 / Tetsuji Ogawa / オガワ テツジ |
| 第3著者 所属（和/英） | 早稲田大学 (略称： 早大) Waseda University (略称： Waseda Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2018-03-05 17:00:00 |
| 発表時間 | 25分 |
| 申込先研究会 | IBISML |
| 資料番号 | IBISML2017-96 |
| 巻番号（vol） | vol.117 |
| 号番号（no） | no.475 |
| ページ範囲 | pp.41-48 |
| ページ数 | 8 |
| 発行日 | 2018-02-26 (IBISML) |
[研究会発表申込システムのトップページに戻る]