主成分分析 (PCA) やFisher線形判別分析 (FDA) に代表される多変量解析が一般固有値問題を解くことで実現されることは広く知られている。

本発表では、上記の多変量解析を統一的な視点で捉えるための枠組みとして、拡張ペアワイズ表現と呼ぶ共分散行列に関する新しい表現形式を導入した多変量解析の一般化について議論する。この枠組は、上記一連の多変量解析だけでなく、正則化や半教師付き多変量解析をもその特殊例として含む汎用的かつコンパクトな表現形式となっている。

本発表では、この枠組みの中で新しい解析方法を検討する具体的な指針について提示する。この指針では、上記の標準的な多変量解析手法やその各種拡張を設計のテンプレートとして利用し、それを適切に組み合わせるだけで解析手法を設計できることを示している。

上記の指針に基づいて設計したいくつかの新しい解析手法を提示するとともに、これらの解析手法を一般物体認識に応用した事例についても紹介する。

最近は機械学習保を用いたパターン認識法が多く提案されている。

従来法の多くは事前に与えられたサンプルから学習を行った後、テストサンプルの観点からパラメタを変えるようなことはしない。

しかし、テストサンプルの情報に基づいてパラメタを適応的に変えたほうが未知なる変動に対処できる可能性がある。そこで、ここでは、パーティクルフィルタを用いてパラメタ空間内での事後確率分布を推定することにより、テストサンプルに対して適応的にパラメタを推定する方法を考える。この方法をシーン識別に適応し、有効性を評価する。

　また、この方法とは別に、パターン認識法の新しい応用例として、アスベスト検出や細胞内画像処理を紹介する。