| 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 | 2022-01-23 11:20 e(m)-PCAを用いた2クラス分類に向けて ○藤木 淳（福岡大）・赤穂昭太郎（産総研）  NC2021-43 |
|
| 抄録 | （和） | これまでの多くのデータ分析手法は，測定値そのものをデータとして扱い，そのデータを線形もしくは非線形写像によって高次元ユークリッド空間である特徴空間の点へと写像した後にユークリッド距離に基づいて分析を行っている．しかし，個人の測定値の集合を1つのデータと考えて複数人のデータ解析を行う場合，測定値そのものをデータと扱うよりも個人に付随する測定値の集合を1つの確率分布と考えた方が個人間の比較が容易であると考えられる．そこで本稿では観測値そのものをデータとして扱うのではなく，確率分布をデータとして扱う，つまり点として扱うデータ分析手法について考える．この際，確率分布の（擬）距離としてKullback–Leibler ダイバージェンスのような非対称距離を用いるので，これまでのユークリッド距離に基づく分析手法を単純に適用することが難しい．これまで，確率分布をデータとして扱う Kullback–Leibler ダイバージェンスに基づいたデータ分析手法として，主成分分析（e(m)-PCA），クラスタリング，次元圧縮を伴なうクラスタリングが提案されてきたが，確率分布に対する教師あり学習としての判別分析は提案されてこなかった．そこで本稿では Kullback–Leibler ダイバージェンスに基づく判別分析手法に向けてのプロトタイプ手法として e(m)-PCA に基づく判別分析手法を提案する． |
| （英） | In many data analysis methods, observed data are treated as points in high-dimensional Euclidean space, called feature space by using linear and/or non-linear mapping from observed data into points in the feature space, and data are analized based on Euclidean distance. To compare among individuals when each individual has a set of data, each set of data should be regarded as a probabilistic distribution rather than points in high-dimensional Euclidean space, to understand the difference among individuals. Therefore, in this paper, we consider a data analysis method that treats probabilistic distributions as data points in a certain manifold. In this framework, it is difficult to apply the usual data analysis methods based on the Euclidean disntance because asymmetric distances such as the Kullback-Leibler divergence is used as the (pseudo-)distance of the probabilistic distribution. So far, principal component analysis, clustering, and clustering with dimension reduction have been proposed as data analysis for probabilistic distribution. However, discriminant analysis as supervised learning for probabilistic distribution is not proposed yet. Then in this paper, we propose a discriminant analysis method based on e(m)-PCA as a prototype method toward a discriminant analysis method based on Kullback-Leibler divergence. |
|
| キーワード | （和） | 情報幾何 / Kullback-Leibler ダイバージェンス / 主成分分析 / 判別分析 / / / / |
| （英） | information geometry / Kullback-Leibler divergence / principal component analysis / discriminant analysis / / / / | |
| 文献情報 | 信学技報, vol. 121, no. 338, NC2021-43, pp. 55-58, 2022年1月. | |
| 資料番号 | NC2021-43 | |
| 発行日 | 2022-01-14 (NC) | |
| ISSN | 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 | NC2021-43 |
|
| 研究会情報 | |
| 研究会 | NLP MICT MBE NC |
| 開催期間 | 2022-01-21 - 2022-01-23 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | NC, ME，MICT，NLP, 一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | NC |
| 会議コード | 2022-01-NLP-MICT-MBE-NC |
| 本文の言語 | 日本語 |
| タイトル（和） | e(m)-PCAを用いた2クラス分類に向けて |
| サブタイトル（和） | |
| タイトル（英） | Towards 2-class classification via e(m)-PCA |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 情報幾何 / information geometry |
| キーワード(2)（和/英） | Kullback-Leibler ダイバージェンス / Kullback-Leibler divergence |
| キーワード(3)（和/英） | 主成分分析 / principal component analysis |
| キーワード(4)（和/英） | 判別分析 / discriminant analysis |
| 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） | 藤木 淳 / Jun Fujiki / フジキ ジュン |
| 第1著者 所属（和/英） | 福岡大学 (略称： 福岡大) Fukuoka University (略称： Fukuoka Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 赤穂 昭太郎 / Shotaro Akaho / アカホ ショウタロウ |
| 第2著者 所属（和/英） | 産業技術総合研究所 (略称： 産総研) National Institute of Advanced Industrial Science and Technology (略称： AIST) |
| 講演者 | 第1著者 |
| 発表日時 | 2022-01-23 11:20:00 |
| 発表時間 | 25分 |
| 申込先研究会 | NC |
| 資料番号 | NC2021-43 |
| 巻番号（vol） | vol.121 |
| 号番号（no） | no.338 |
| ページ範囲 | pp.55-58 |
| ページ数 | 4 |
| 発行日 | 2022-01-14 (NC) |
[研究会発表申込システムのトップページに戻る]