| 研究概要 |
本年度の研究によって得られた結果はつぎのとうりである。
1.3層ニューラルネットワークの引き込み領域の導出
入力層と中間層と2個の出力ユニットをもつ出力層をもつ3層ニューラルネットワークの結合荷重に、入力層に正データを入力したとき1番目の出力ユニットだけが発火し,負データを入力したときは2番目の出力ユニットだけが発火する条件を不等式制約条件として課し、ネットワークの引き込み領域を縮小写像原理を用いて導いた。
2.最急降下法によるネットワークの学習とゲノム情報データ分類システムの構築
学習データとして正データと負データを用意した段階では,まだネットワークの結合荷重は一意に決まっていない.したがって,ネットワークが精度の高い分類をおこなうよう,引き込み領域をできるだけ広くするよう決定しなければならない.そこで引き込み領域を広げる条件を,結合荷重に関する汎関数の最小化問題として表した.その際,中間層における出力には何ら制約をもうけていないため,訓練パターンの特徴が中間層の出力に反映するよう結合荷重を決定できる.しかしこのようなネットワークの結合荷重の決定には,これまで用いてきた手法が使えないため,慣性項を付加した最急降下法による縮小写像型ニューラルネットワークの結合荷重の決定手法を開発し,これに基づくゲノム情報データの学習システムを構築した。この方法で,タンパク質符号化領域におけるシグナル配列の有無の判定問題について実験を行なったところ,正の例と負の例に対し,平均72%を越える非常に高い精度でシグナル配列の有無を判定するネットワークが得られることがわかった.また,この方法による結合荷重の決定は,誤差逆伝搬法などに比較してもはるかに速く,大量ゲノム情報処理に対して十分な実用性があると考えられる.
|
