大脳皮質をモデルとした多層Bayesian Netによる特徴抽出と認識器の構築
Project/Area Number |
17J09110
|
Research Category |
Grant-in-Aid for JSPS Fellows
|
Allocation Type | Single-year Grants |
Section | 国内 |
Research Field |
Perceptual information processing
|
Research Institution | The University of Tokyo |
Principal Investigator |
西野 兼治 東京大学, 情報理工学系研究科, 特別研究員(DC2)
|
Project Period (FY) |
2017-04-26 – 2019-03-31
|
Project Status |
Completed (Fiscal Year 2018)
|
Budget Amount *help |
¥1,700,000 (Direct Cost: ¥1,700,000)
Fiscal Year 2018: ¥800,000 (Direct Cost: ¥800,000)
Fiscal Year 2017: ¥900,000 (Direct Cost: ¥900,000)
|
Keywords | 深層学習 / 特徴抽出 / Bayesian Network / 機械学習 |
Outline of Annual Research Achievements |
本研究は深層学習の特徴抽出とBayesian Netによる大脳皮質の計算モデルを組み合わせた機械学習モデルを開発する。多層Bayesian Netをフレームワークとして入力のパターンを抽出し、各パターンの有無を表す2値変数を獲得する。Bayesian Netでは多層間で双方向に情報を伝播して各変数の事後確率を計算するため、高次の複雑なパターンの情報を反映したパターン認識が可能になると期待でき、文脈に即した同音異義語の認識や環境に合わせた物体認識などへの応用が考えられる。 今年度は(1)MALFモデルの提案、(2)自己組織化写像を参考にした学習方法の構築、の二点を行った。 まず(1)について、Multiple-Abstraction-Level Feature-extractor (MALF)と呼ぶモデルを提案した。これは深層ネットワークによる認識システムを特徴抽出部とクラス識別部に分け、特徴抽出部で得られた異なる抽象度のパターンをクラス識別部に入力するモデルである。従来は最高次の層のみがクラス識別部に接続され、クラス識別には最も抽象度の高いパターンのみを用いていたのに対し、より低次のパターンも特徴に用いることが可能となりクラスに応じた最適な抽象度の特徴選択が可能になると考えられる。 次に(2)について、パラメータ数削減のため独自に導入したOne-parent-T仮定によって得られていたノード間の相互抑制する性質と、既存の技術である自己組織化写像との類似に着目し、新しく学習方法を試作した。実験の結果、Bayesian Net上で自己組織化写像と同様の学習を行える可能性が示唆された。今後リンクの切断により局所的なパターンが抽出できれば、少ない数のノードでパターン抽出ができると見込まれる。MALFモデルは特徴抽出部のノード数が課題となると予想されるため、ノード数を削減し解決を図る。
|
Research Progress Status |
平成30年度が最終年度であるため、記入しない。
|
Strategy for Future Research Activity |
平成30年度が最終年度であるため、記入しない。
|
Report
(2 results)
Research Products
(4 results)