| 研究課題/領域番号 |
22300064
|
|---|
| 研究機関 | 同志社大学 |
|---|
研究代表者 |
片桐 滋 同志社大学, 理工学部, 教授 (40396114)
|
|---|
| 研究分担者 |
渡辺 秀行 独立行政法人情報通信研究機構, ユニバーサルコミュニケーション研究所, 主任研究員 (40395091)
中村 篤 日本電信電話株式会社ＮＴＴコミュニケーション科学基礎研究所, メディア情報研究部, 主幹研究員 (50396206)
松田 繁樹 独立行政法人情報通信研究機構, ユニバーサルコミュニケーション研究所, 主任研究員 (20395007)
堀 貴明 日本電信電話株式会社ＮＴＴコミュニケーション科学基礎研究所, メディア情報研究部, 主任研究員 (20396211)
|
|---|
| 研究期間 (年度) |
2010-04-01 – 2013-03-31
|
| キーワード | パターン認識 / 識別学習 / 最小分類誤り学習 / 計算論的学習理論 / 音声情報処理 |
|---|
| 研究概要 |
最小分類誤り（MCE）学習法の性能限界の追及を目指し、大幾何マージンMCE（LGM-MCE）学習法を中核としたMCE法の分析と拡張を行った。その結果、従来型の関数マージン型MCE法のみならずLGM-MCE法に対しても、平滑化分類誤り数損失の平滑度を自動的に設定する手法を定式化するに至り、それらの有効性を実験的に検証することもできた。成果はSpringer社の論文誌に採択されている（掲載待ちのため「研究発表」欄には未掲載）。なお，この損失自動設定法は、MCE法の代表的ハイパーパラメータである損失傾きを自動的に最適化することによってMCE法の利用性を大きく高める効果を持つ。しかし、そのより本質的な効果は、MCE法の未知標本耐性向上に自動化の道を開く点にある。この効果を確かめるため、これまでの成果である「標本空間における仮想標本生成メカニズム」を利用して、適切に設定された平滑化分類誤り数損失を用いるLGM-MCE学習法の学習標本生成効果を実験的に検証し、その平滑化分類誤り数損失は与えられた学習標本を数倍以上に増加させることに匹敵することを明らかにした（MIRU2012）。
前期に発案するに至ったカーネルMCE（KMCE）学習法の具体的な学習手順の構築とその評価実験を行った（CIP2012及びTENCON2012）。実験の結果、本手法が、非線形カーネルをMCE学習法に取り込むことによってSVMよりも圧倒的に小規模な分類器でもSVMと同等の高い分類力を達成できることを明らかにした。
複雑な認識単位から構成される音声認識に対処する「ラウンドロビンデュアル識別的言語モデル法」に関しては、そのベースラインとなるCRFを上回り、効率よく高い分類力を達成できることを実験的に検証することができた。その成果は、当該分野の最難関論文誌に掲載されるに至った（IEEE Trans. ASLP）。
|
| 現在までの達成度 (区分) |
理由
24年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
24年度が最終年度であるため、記入しない。
|
