| 研究概要 |
Cellular Neural Network(以下, CNN)の問題点として, 識別対象となる課題サイズが大規模になった場合, CNNを構成するセル数も多くなり, 漸近安定平衡点までの収束には多大な計算量を必要とするとともに, 識別能力も低減することが考えられる. そこで当研究代表者は分割階層型CNNの研究に着手した. このときCNNに対して適切な学習パラメタ値を試行錯誤的に割り当てなければならないが, このパラメタ設定の自動化実現が, 提案手法一般化の鍵となる. 3年間の研究計画の中で, 1年目は進化的構造適応学習法の改良, 2年目は提案手法の有効性検証を計画した. 進化的構造適応学習法は, GAを用いてニューラルネットワークの最適化を行う手法である. 従来の小規模モデルではGAが効果的に機能しているか評価することが困難であった. そこで砂時計型ニューラルネットワークに対して進化的構造適応学習法を適用して, 顔表情の学習を行った. その結果, 進化的構造適応学習法を用いることにより, 複数人の顔画像に対して, 高速に誤差が収束する初期結合荷重を得ることに成功した. さらに, 情報圧縮, 特徴抽出を行うための砂時計型NNが考案されているが, 砂時計型NNの非線形写像によって形成される特徴空間はユーザにとって扱いづらい側面があり, またその正当性についてはほとんど言及されてこなかった. そこで, 形成される特徴空間を調べ, より利便性の高い特徴空間を形成するために, バックプロパゲーションとネットワークインバージョンを組み合わせ, 学習中に特徴空間の方向性を指示する手法を提案する. これにより, 学習中に特徴空間の方向性を指示することにより, データ間の距離関係を多く反映した特徴空間を得ることに成功した.
|
