| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2011-09-05 11:30 一般損失最小化に基づくカーネル識別器の学習 ○石井雅人・佐藤 敦（NEC）  PRMU2011-61 IBISML2011-20 |
|
| 抄録 | （和） | 本稿では、カーネル識別器の新しい学習手法を提案する。まず、任意の損失や事前確率を扱えるように、ベイズ決定理論に基づいた一般損失最小化 (GLM) と呼ぶ新しい学習基準を提案し、本学習基準をカーネル識別器の設計に適用することで新しいカーネル識別器の学習手法を導出する。次に、ソフトマージン SVM もまた GLM の枠組みによって導出できることを示し、提案手法との共通点と相違点を明らかにする。人工データ及び UCI Machine Learning Repository の実データを用いた実験によって、提案手法が SVM よりも少ないモデル自由度で同等以上の識別精度を実現することを確認する。 |
| （英） | This paper presents a new method for learning kernel classifiers. First, we formulate a novel learning scheme called ``General Loss Minimization (GLM).'' The formulation is based on Bayes decision theory which can handle various losses as well as prior probabilities. Then, we propose a new learning method for kernel classifiers derived from GLM. We also show that support vector machines (SVM) can be derived from GLM as a special case. The derivation clarifies some interesting similarities and differences between SVM and the proposed method. Finally, we confirm effectiveness of the proposed method in expriments with artificial and real databases. The exprimental results show that the proposed method achieves almost the same or better accuracy than SVM in spite of stronger sparsity of classifier parameters. | |
| キーワード | （和） | 機械学習 / カーネル識別器 / 学習基準 / サポートベクターマシン / 最小分類誤り / / / |
| （英） | machine learning / kernel classifiers / learning criterion / support vector machines / minimum classification error / / / | |
| 文献情報 | 信学技報, vol. 111, no. 193, PRMU2011-61, pp. 23-30, 2011年9月. | |
| 資料番号 | PRMU2011-61 | |
| 発行日 | 2011-08-29 (PRMU, 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 | PRMU2011-61 IBISML2011-20 |
|
| 研究会情報 | |
| 研究会 | PRMU IBISML IPSJ-CVIM |
| 開催期間 | 2011-09-05 - 2011-09-06 |
| 開催地（和） | はこだて未来大学 |
| 開催地（英） | |
| テーマ（和） | コンピュータビジョンとパターン認識のための機械学習 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | PRMU |
| 会議コード | 2011-09-PRMU-IBISML-CVIM |
| 本文の言語 | 日本語 |
| タイトル（和） | 一般損失最小化に基づくカーネル識別器の学習 |
| サブタイトル（和） | |
| タイトル（英） | Learning of Kernel Classfier based on General Loss Minimization |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 機械学習 / machine learning |
| キーワード(2)（和/英） | カーネル識別器 / kernel classifiers |
| キーワード(3)（和/英） | 学習基準 / learning criterion |
| キーワード(4)（和/英） | サポートベクターマシン / support vector machines |
| キーワード(5)（和/英） | 最小分類誤り / minimum classification error |
| 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） | 石井 雅人 / Masato Ishii / イシイ マサト |
| 第1著者 所属（和/英） | 日本電気株式会社 (略称： NEC) NEC Corporation (略称： NEC) |
| 第2著者 氏名（和/英/ヨミ） | 佐藤 敦 / Atsushi Sato / サトウ アツシ |
| 第2著者 所属（和/英） | 日本電気株式会社 (略称： NEC) NEC Corporation (略称： NEC) |
| 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： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2011-09-05 11:30:00 |
| 発表時間 | 30分 |
| 申込先研究会 | PRMU |
| 資料番号 | PRMU2011-61, IBISML2011-20 |
| 巻番号（vol） | vol.111 |
| 号番号（no） | no.193(PRMU), no.194(IBISML) |
| ページ範囲 | pp.23-30 |
| ページ数 | 8 |
| 発行日 | 2011-08-29 (PRMU, IBISML) |
[研究会発表申込システムのトップページに戻る]