| 研究概要 |
本研究では,生物の脳,とりわけ人間の脳機能を解明するための人工ニューラルネットワークを開発することを主目的としている.このため世界に先駆けて、従来のアナログニューラルモデルの自然な一般化で,マルコフランダムフィールドモデルなど、確率場ニューラルネットワークモデルの平均場近似となっている共分散ニューラルネットワークを提案した.このモデルは,情報処理の側面から本質的と考えられる発火相関を位相で表現でき,高等生物の脳における発火の同期や位相のずれによる情報処理を実行できる能力を持つ.平均場近似モデルとしても,従来のナイーブな近似と違い、シナプス結合係数が大きいところでもかなり精度良く近似を行うととが出来ることを計算機実験で確認した.このモデルにより、発火相関によるセグメンテーションが可能であることを確認した.共分散ニューラルネットワークの効率的学習法を提案し,これが非常に早く収束することが確かめた.更に、ニューラルネットワークの学習法として,近年注目を集めているサポートベクトルマシン(SVM)について,精度のよいマルチクラス識別器の構成,二次錘形計画法を応用した高速SVMの提案を行った.更に,幾何学的なマージン最大化学習法を提案し,多くの場合SVMよりかなり高速になることを検証した.また,カーネル主成分分析を応用した学習機械を開発し,従来学習機械においてモデル選択の問題として未解決であった,カーネルパラメタの自動設定手法を提案した.この方法は顔画像認識に応用された.これらの成果については,国際会議,論文において発表済みである.
|
