• Search Research Projects
  • Search Researchers
  • How to Use
  1. Back to project page

1996 Fiscal Year Annual Research Report

ニューラルネットワークの構造学習による規則の発見

Research Project

Project/Area Number 07680404
Research InstitutionKyushu Institute of Technology

Principal Investigator

石川 眞澄  九州工業大学, 情報工学部, 教授 (60222973)

Co-Investigator(Kenkyū-buntansha) 章 宏  九州工業大学, 情報工学部, 助手 (30235709)
Keywordsニューラルネットワーク / 規則発見 / 構造学習 / 情報量基準
Research Abstract

連続的入力データからの規則発見に際し、自乗出力誤差と得られる規則の複雑さのバランスが重要である。このトレードオフを表現するのがAICなどの情報量基準である。忘却付き構造学習においてAICが最小となる忘却量を選定する。ただこれだけでは適切な複雑さの規則が求まらないので、各隠れユニットの入力結合数を制限したいくつかのネットワークを学習し、この中から最も適合度の高いものを選び、規則を求めた。さらに、機械学習の分野で良く用いられているC4.5との比較を行った。またアヤメに関してはFuが提案したKT法との比較も行った。C4.5とKT法は、各項が一属性からなる単純な規則しか生成できないのに対し、本方法では適切な複雑さの規則を生成することが可能である。
第一は2個の入力属性を持つ二次元平面上の各点を2クラス(図形/非図形)に分類する課題であり、各項が一属性からなる規則では説明が困難である。C4.5では規則は多数の単純な規則が求まるのに対し、本手法では2属性からなる6個の規則でほぼ説明が可能である。第二は4個の入力属性を持つアヤメのデータを3クラス(setosa/versicolor/verginica)に分類する課題である。高々3属性からなる3個の規則が、150データ中148個を説明する。第三は5個の入力属性を持つ甲状腺機能のデータを3クラス(正常/低下症/亢進症)に分類する課題である。2入力からなる4個の規則が、215個のデータすべてを説明する。いずれもC4.5やKT法よりも分類誤りが少ない。
連続値入力と離散値入力が混在したデータからの規則の発見、および連続値入出力データからの規則の発見に関しては、まだ十分な結果が得られていない。これらは今後に残された研究課題である。

  • Research Products

    (6 results)

All Other

All Publications (6 results)

  • [Publications] 石川眞澄: "ニューラルネットワークによるデータ処理" ぶんせき. 257. 350-355 (1996)

  • [Publications] Masumi Ishikawa: "Structural learning and knowledge acquisition" ICNN'96. 100-105 (1996)

  • [Publications] Masumi Ishikawa: "Rule extraction by successive regularization" ICNN'96. 1139-1143 (1996)

  • [Publications] 石川眞澄: "段階的正則化による規則の発見" 日本神経回路学会第7回全国大会講演論文集. 239-240 (1996)

  • [Publications] Masumi Ishikawa: "Bayesian estimation in structural learning of neural networks" ICONIP'96. 1158-1163 (1996)

  • [Publications] 上田博貴,石川眞澄: "ニューラルネットワークによる連続的入力・離散的出力データからの規則の発見" 電子情報通信学会技術研究報告. NC96-121. 63-70 (1997)

URL: 

Published: 1999-03-08   Modified: 2016-04-21  

Information User Guide FAQ News Terms of Use Attribution of KAKENHI

Powered by NII kakenhi