研究課題
競合学習は、情報量最大化によって実現されることを実証してきた。本年度は、次の二つの点について集中的に研究を行った。すなわち、学習の高速化と特徴抽出である。まず、情報競合学習の加速化である。競合学習は相互情報量を最大化することによって実現できることは研究の過程でほぼ証明できたと考える。しかし、相互情報量最大化は従来の競合学習と比較するとかなりの計算時間が必要であり、実用的な問題に応用することが困難であることがわかってきている。そこで、昨年度に続き、相互情報量の最大化を簡単にするために、自由エネルギーを用いた。自由エネルギーを用いることによって相互情報量の計算は非常に簡単になることがわかった。また、自由エネルギーによる学習をさらに安定化させる方法を提案した。特徴抽出では、情報量損失と情報エンハンスメントの二つの方法を開発した。情報損失法は、ある特定の部分を削除し、その時の失われる情報量を測定することによって、特定部位の機能を推定する方法である。この方法は、パラメータの調整に問題があったが、パラメータ調整を簡単にする方法を開発し、現在は大規模のデータの特徴抽出にも適用できる段階に達した。さらに、ある特定の部位を用い、ネットワークをエンハンスする方法も情報エンハンスメント法として提案した。エンハンスメントによって、ネットワークは、入力パターンについて明確に反応することができる。この方法によって、情報損失法と同じように、特定部位の機能を明確にすることができえるようになった。この方法は、昨年度おこなった情報損失法法の拡張版であり、より一般的な方法となり、より多くの問題に適用できる可能性が高いことを実証した。
すべて 2009 2008
すべて 雑誌論文 (7件) (うち査読あり 7件) 学会発表 (4件)
Proceedings of the IASTED international conference on artificial intelligence and applications
ページ: 158-162
ページ: 169-174
Proceedings of the international joint conference on neural networks
ページ: 2047-2083
Proceedings of the international conference on systems, man, and cybernetics
ページ: 1819-1825
LNCS 5326
ページ: 148-155
ページ: 1812-1818
Proceedings of the international conference on soft computing and intelligent systems
ページ: 1144-1148
