|
本研究では、与えられた少数例題から対象パターンの識別関数を構築するための学習方式の確立を目的として研究を行った。このために、まず、高精度、高速識別関数の構成について検討を行った。複雑な識別方式を使用すれば、識別能力は向上するものの、必要な学習データ数は膨大なものとなり、十分な学習データが得られない場合は高信頼度の識別関数が得られない。また、複雑な識別方式の場合、識別に要する計算時間も増大する難点がある。本研究では、このような問題点を解決するために、階層型識別関数構築方式を提案した。これは単純ではあるが高速な識別方式と、複雑で識別能力は高いものの計算時間が掛かる識別方式を階層型に組み合わせるものである。このとき、少数例題からの識別関数構築の観点からは、後段の識別関数はできるだけ少数パラメータで実現できることが望ましい。そこで本研究ではRBF(Gaussian)カーネルに基づくSVMのsupport vector集合の中からごく少量のデータ点をサンプリングすることにより、元のSVMをより少ないRBFで近似する近似SW法を提案し、その能力を検証した。また、近似SVM構築手法に対し、boostingに基づく学習手法を適用した場合の少数RBFによる識別関数学習方式を提案した。boostingに基づく手法の場合、SVMより多様な関数を選択することが可能になるため、RBFと同等またはそれ以上の識別能力を持ち、より高速な識別関数が構築可能であることを示した。次いで、少数データから動的に識別関数を構築するための手法として、仮想例題の構築に基づく手法を検討した。識別関数の構築には多数の学習データが必要であり、与えられた例題が少ない場合は、仮想的に生成したデータを用いることが考えられる。ここでは与えられた学習パターンに種々の変換を加えて仮想例題を生成し、それを用いて学習を高度化する手法を提案しその効果を検証した。
|
