講演抄録/キーワード |
講演名 |
2018-03-05 13:50
複数の距離計量を用いたk-近傍推定のための距離学習 ○關 翼人・村田 昇(早大) IBISML2017-92 |
抄録 |
(和) |
グラフデータなどに代表される非構造化データでは,データ間の関係を表す距離計量が複数算出されることが多い.
本稿では,データ間の複数の距離計量を用いたk-近傍推定のための距離学習を提案する.
提案法ではデータ間の複数の距離計量における近傍関係から,目的の距離計量におけるデータ間の近傍関係を推定する.
具体的には,決定木を用いて目的の距離計量における近傍関係を保持した小さなデータ集合への直和分解を行う.
Random Forestにならいブートストラップサンプリングと分解に用いる距離計量の選択により,多様なパターンによる
データ集合の分解を行い,分解の結果からデータ間の近傍度を計算する.
人工データおよび間取りデータを用いた実データ実験により,提案法による$k$-近傍推定における評価指標の向上を示す. |
(英) |
The relationship between unstructured datasets such as graphs can be measured by multiple distance metrics.
In this paper, we propose a new metric learning method for $k$-nearest neighbor using multiple distance metrics.
In our proposed method, the neighborhood relations with respect to the target distance metric are estimated from the neighborhood relations with respect to other multiple distance metrics.
We use decision tree to direct sum decompose datasets to small datasets which holds the neighborhood relations with respect to the target distance metric.
Following Random Forest, we use bootstrap sampling and sample distance to decompose datasets in various manners.
The proximity among the datasets are calculated from the decomposition result.
We conducted numerical experiments with an artificial datasets, and a real datasets concerning floor plan. The experiments show the improvement of accuracy. |
キーワード |
(和) |
距離学習 / k-近傍推定 / 決定木 / 非構造化データ / / / / |
(英) |
Metric Learning / k-Nearest Neighbor Estimation / Decision Tree / Unstructured Data / / / / |
文献情報 |
信学技報, vol. 117, no. 475, IBISML2017-92, pp. 15-19, 2018年3月. |
資料番号 |
IBISML2017-92 |
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 |
IBISML2017-92 |
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) |
複数の距離計量を用いたk-近傍推定のための距離学習 |
サブタイトル(和) |
|
タイトル(英) |
Metric Learning for k-Nearest Neighbor Estimation using Multiple Distance Metrics |
サブタイトル(英) |
|
キーワード(1)(和/英) |
距離学習 / Metric Learning |
キーワード(2)(和/英) |
k-近傍推定 / k-Nearest Neighbor Estimation |
キーワード(3)(和/英) |
決定木 / Decision Tree |
キーワード(4)(和/英) |
非構造化データ / Unstructured Data |
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) |
關 翼人 / Yokuto Seki / セキ ヨクト |
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) |
村田 昇 / Noboru Murata / ムラタ ノボル |
第2著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
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 |
2018-03-05 13:50:00 |
発表時間 |
25分 |
申込先研究会 |
IBISML |
資料番号 |
IBISML2017-92 |
巻番号(vol) |
vol.117 |
号番号(no) |
no.475 |
ページ範囲 |
pp.15-19 |
ページ数 |
5 |
発行日 |
2018-02-26 (IBISML) |