2009 Fiscal Year Annual Research Report
| Project/Area Number |
19300064
|
|---|
| Research Institution | Doshisha University |
|---|
Principal Investigator |
片桐 滋 Doshisha University, 理工学部, 教授 (40396114)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大崎 美穂 同志社大学, 理工学部, 准教授 (30313927)
中村 篤 日本電信電話(株), NTTコミュニケーション科学基礎研究所, 主幹研究員 (50396206)
|
|---|
| Keywords | 一般化確率的降下法 / 最小分類誤り学習 / 識別学習 / パターン認識 / サポートベクタマシン / ブースティング |
|---|
| Research Abstract |
本研究は元々、最小分類誤り学習法を軸とする識別学習法の体系化と汎用的学習法の確立を目指すものであったが、今期の成果である、一般的判別関数のための幾何マージンの導出とそれを用いた最小分類誤り学習法の定形化、増加型(アンサンブル型でもある)最小分類誤り学習法の定形化、粒子フィルタを用いる認識対象追跡法に対する最小分類誤り学習法の組み込み、識別学習のための種々の損失の統合的表現法の定式化等によって、その目的は十分に達成できたものと考えている。
まず、これまで線形判別関数向きに限定的に定義されていた幾何マージンをプロトタイプ型判別関数や確率関数型判別関数などを含む一般の判別関数向きに新たに定義するに至り、サポートベクタマシンやブースティングなどの広範な識別学習と最小分類誤り学習との間の関連をほぼ完全に明らかにすることができた。また、複雑な大規模音声認識において広く用いられる相互情報量損失が(関数型)マージンに基づく音素誤り損失の積分で定義できることを示し、実世界の複雑な認識課題における異なる認識対象単位を統一的に扱う手法を確立することもできた。
次に、導出した幾何マージンを誤分類測度とする新しい最小分類誤り学習法を提案し、特にプロトタイプ型判別関数を持つ分類システム用に実装し、本手法が従来の最小分類誤り学習法やサポートベクタマシンなどよりも未知標本耐性が高い優れた学習結果をもたらすことも明らかにした。
増加型最小分類誤り学習法は、ブースティングが持つ理論的不備、即ちベイズ誤り状態との一貫性の欠如を解消することを目指して導出したものであった。実験を通し、これまでのブースティング法をはるかに上回る優れた識別力を達成できることを明らかにした。
また、こうした成果のほとんどは、前年度までと同様に公開用識別学習ソフトウェア"DISCERN"に実装するに至っている。
|
