2016 Fiscal Year Annual Research Report
Ensemble learning method using structure information and its application
| Project/Area Number |
25730018
|
|---|
| Research Institution | Future University-Hakodate |
|---|
Principal Investigator |
竹之内 高志 公立はこだて未来大学, システム情報科学部, 准教授 (50403340)
|
|---|
| Project Period (FY) |
2013-04-01 – 2017-03-31
|
| Keywords | アンサンブル学習 / 情報幾何 / 判別分析 |
|---|
| Outline of Annual Research Achievements |
本年度は主にアンサンブル学習の枠組みに基づく多値判別手法を統合的に扱うための枠組みの洗練化とその有用性の検証を行った. 多値判別問題は多くの応用を持つ重要な問題のクラスである. 多値判別問題において, 対象とするクラスの数が多い場合に素朴に問題を定式化してしまうと, すべてのクラス間の関係性について考慮する必要があるため, 判別器の学習に大きな計算コストが必要となる. そのため, 現在用いられている主な多値判別手法は, 効率的に学習可能な2値判別器を多数組み合わせて統合することで多値判別器を構成するというアプローチを取る. この枠組において 先行して提案されている各種の統合手法を特殊ケースとして含む包括的な枠組みを一般化ダイバージェンスを用いて提案した．提案した手法は, 一般化ダイバージェンスを任意に選択することが可能であり, 適切にダイバージェンスを選択することで頑健性, 効率性などの目的に対処することが可能である. このことを複数の実データを用いて実験的に検証し, 提案した手法の有用性について検証した.
また, 提案した枠組みにおいて, 最終的に多値判別に用いるために構成する条件付き確率の構成精度を理論的に解析した. 構成される条件付き確率の精度は, 要素として用いる各2値判別器の性能, および, 2値判別器間の相関関係により評価することが可能であり, 相関度の低い2値判別器を用いることで条件付き確率の構成精度が向上することがわかった.
本研究の内容は機械学習の論文誌Neural Networksに投稿後, 査読者のコメントに基づく修正を行い, 再投稿している.
|
