講演抄録/キーワード |
講演名 |
2015-11-26 15:00
[ポスター講演]スパース表現を用いた非線形多層主成分分析における学習結果の分類法について ○香田夏輝・渡辺澄夫(東工大) IBISML2015-55 |
抄録 |
(和) |
砂時計型ニューラルネットを用いた非線形多層主成分分析(Nonlinear Multi-Layer Principal Component Analysis)は高次元のデータセットからデータを含む低次元の非線形な多様体を見つけ出すために利用されている.しかしながら,学習モデルが強い非線形性を有するため初期値により学習結果が異なり,ユーザーが抽出された構造を理解しにくいという問題点があった.
本論文では砂時計型ニューラルネットにLASSO (Least Absolute Shrinkage and Selection Operator) 回帰を適用し,初期値を変化させることで得られる多数の学習結果を階層クラスタリングを用いて少数のパターンに分類することで砂時計型ニューラルネットの学習結果をユーザーに理解しやすいものとする方法を提案し,その有効性を高次元実経済データの解析を通して明らかにする. |
(英) |
The bottleneck neural network or Nonlinear Multi-Layer Principal Component Analysis(NMPCA) is used to extract the low dimensional manifold from the high dimensional nonlinear data set. However, the extracted information structure depends on initial parameters, resulting that it is difficult for a user to understand the extracted structures.
In this paper, we propose a new training algorithm of the bottleneck neural network using LASSO (Least Absolute Shrinkage and Selection Operator) and hierarchical classification of many trained local minima, by which a user can understand the trained results. Its effectiveness is shown by the application to high dimensional economical time sequences. |
キーワード |
(和) |
砂時計型ニューラルネット / 非線形主成分分析 / LASSO / スパース表現 / / / / |
(英) |
Bottleneck neural network / Nonlinear Multi-Layer Principal Component Analysis / LASSO / Sparce representation / / / / |
文献情報 |
信学技報, vol. 115, no. 323, IBISML2015-55, pp. 19-24, 2015年11月. |
資料番号 |
IBISML2015-55 |
発行日 |
2015-11-19 (IBISML) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
IBISML2015-55 |
研究会情報 |
研究会 |
IBISML |
開催期間 |
2015-11-25 - 2015-11-27 |
開催地(和) |
つくば国際会議場 |
開催地(英) |
Epochal Tsukuba |
テーマ(和) |
情報論的学習理論ワークショップ(IBIS2015) |
テーマ(英) |
Information-Based Induction Science Workshop (IBIS2015) |
講演論文情報の詳細 |
申込み研究会 |
IBISML |
会議コード |
2015-11-IBISML |
本文の言語 |
日本語 |
タイトル(和) |
スパース表現を用いた非線形多層主成分分析における学習結果の分類法について |
サブタイトル(和) |
|
タイトル(英) |
Classification of Training Results in Nonlinear Multi-Layer Principal Component Analysis using Sparse Representation |
サブタイトル(英) |
|
キーワード(1)(和/英) |
砂時計型ニューラルネット / Bottleneck neural network |
キーワード(2)(和/英) |
非線形主成分分析 / Nonlinear Multi-Layer Principal Component Analysis |
キーワード(3)(和/英) |
LASSO / LASSO |
キーワード(4)(和/英) |
スパース表現 / Sparce representation |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
香田 夏輝 / Natsuki Koda / コウダ ナツキ |
第1著者 所属(和/英) |
東京工業大学 (略称: 東工大)
Tokyo Institute of Technology (略称: Tokyo Tech) |
第2著者 氏名(和/英/ヨミ) |
渡辺 澄夫 / Sumio Watanabe / ワタナベ スミオ |
第2著者 所属(和/英) |
東京工業大学 (略称: 東工大)
Tokyo Institute of Technology (略称: Tokyo Tech) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2015-11-26 15:00:00 |
発表時間 |
180分 |
申込先研究会 |
IBISML |
資料番号 |
IBISML2015-55 |
巻番号(vol) |
vol.115 |
号番号(no) |
no.323 |
ページ範囲 |
pp.19-24 |
ページ数 |
6 |
発行日 |
2015-11-19 (IBISML) |