| 研究概要 |
情報理論的クラスタリングの理論的整備を進め,外れ値検出・一クラス分類,一クラスクラスタリング・バブルクラスタリング等の従来手法とマイノリティクラスタリングの理論的統合を実現した.多クラスの教師無し分類問題(文書・画像)に適用し,従来手法を大きく上回る高い適合率と再現率を実現した.この成果を人工知能学会論文誌(Vol22, pp.311-321)および国際会議(ICDMO7:7th International Conference on Data Mining, regular paper, pp.13-22)で発表した.
さらに,共クラスタリング・クロスドメイン学習での利用のための拡張を行い,一部の成果を3月に人工知能学会論文誌に投稿した
マイノリティクラスタリングに関する新たな知見を基に共進化・ニッチ探索の拡張を行った.
共進化における多層ニューラルネットワークの隠れ層における写像の挙動とブースティングへの影響について分析を行い,分類性能の向上を実現した.
成果の一部をGECCO'07 (9th annual conference on Genetic and Evolutionary Computation)にて発表した.
|
