| 研究実績の概要 |
1. 共通及び個別の特徴抽出に基づいた新しい方法を提案された(モデルやアルゴリズムを含む)。共通成分 の個数を知られているかどうかにより,対応する共通の直交基底抽出方法を設計された。この設計に より共通部分空間と個別部分空間の分離を実現された。ブラインド信号分離は各部分空間に適用されにより,共通部分空 間及び個別部分空間の特徴抽出方法を構築された。最後,共通及び個別の 特徴抽出方法はテンソルに拡張され,高次元データセット共通及び個別の 特徴抽出方法の一般的な枠組みを提案された。
2. 教師付き学習(クラスター分析)及び教師なし学習(パターン分類)にお ける共通及び個別の特徴抽出方法のアプリケーションを分析され,個々の 特徴に基づいたクラスター化アルゴリズム及び共通の特徴に基づいたパター ン分類アルゴリズムを提案された。シミュレーション結果により,新しい アルゴリズムがクラスター分析及びパターン認識の精度を大幅な向上させ ることができた。
3. データセットは共通の成分を構成されている場合,共通及び個別の特徴抽 出方法が一般的な行列分解(主成分分析)またはテンソル分解に縮退した。 非負のデータセットから予想した物理的意味と一致の共通特徴を抽出する ため,我々は非負行列/テンソル分解の研究を行った。データの低階数圧 縮に基づいた,異なるモデルの仮定により対応する高速アルゴリズムを提 案された(非負行列因数分解アルゴリズム,非負CP分解アルゴリズム,非 負タッカー分解アルゴリズムを含む)。
4. 共通及び個別の特徴抽出方法により,我々は定常状態視覚誘発電位に基づ いた脳コンピュータインタフェースシステムの最大認識精度を取得した。
上記の研究成果により,我々はProceedings of the IEEEやIEEE Signal Processing MagazineやInternational Journal of Neural Systemsなど国際ジャーナル に合計7本論文を発表し,また1回国際学術会議に出席した。
|
