2007 Fiscal Year Annual Research Report
| Project/Area Number |
19300064
|
|---|
| Research Institution | Doshisha University |
|---|
Principal Investigator |
片桐 滋 Doshisha University, 工学部, 教授 (40396114)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大崎 美穂 同志社大学, 工学部, 准教授 (30313927)
中村 篤 NTTコミュニケーション, 科学基礎研究所, 主幹研究員 (50396206)
マクダーモット エリック NTTコミュニケーション, 科学基礎研究所, リサーチスペシャリスト (40447024)
|
|---|
| Keywords | 一般化確率的降下法 / 識別学習 / パターン認識 / 構造的リスク最小化 / 最小分類誤り学習 |
|---|
| Research Abstract |
今期は、3年の研究期間の第1年目であることから、理論面の研究と識別学習ライブラリ作成との双方においてその基盤固めに重点を置いて活動した.研究はほぼ順調に推移したものと思われる.理論面では、サポートベクトルマシンの理論的基盤である構造的リスク最小化の枠組みと一般化確率的降下法(GPD)におけるリスク最小化枠組みとの比較について、その主要部分の整理を行った.また、GPDにおける分類誤りリスクの最小化問題をパルツェン推定を用いて定義する手法に関して、実データに対する誤分類測度空間におけるパルツェン推定の様子を知る初めての実験データを得、今後の理論的研究を進めるための重要なステップを刻んだ。ライブラリ作成の面では、個々の識別学習アルゴリズムを特徴付けるリスク(損失)とモデル構造、最適化等の多様な組み合わせを可能にするためのライブラリの基本的設計を行い、それに基づく手法の実装例としてプロトタイプ型モデルや多層ニューラルネットモデルをモデル構造とし、それらを分類誤り損失や自乗誤差損失を基準として確率的降下法によって最適化するアルゴリズムの実装を行った.これらは、ライブラリの今後の拡張の基盤となる要素を含むものである.実装では、実装コードの正確さの検証と各アルゴリズムが持つ問題点を浮き彫りにするために、公開データを用いた評価実験も行った.その結果、実装アルゴリズムが期待通りの動作をし、またそのデータ上でGPDが最高水準の識別率を達成し得ることを確かめることができた.解決すべき問題点としては、学習時に用いるハイパーパラメータの制御をデータの統計的性質に基づいて自動的に行う枠組みが求められることがわかった。本研究の目的の1つに識別学習技術の地平を広げることがある.その実現に向けた第1歩として、講演などを通して分野横断コミュニティの形成を呼びかけた.
|
