| 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 | 2012-11-08 15:00 ロジスティック回帰モデルを組み合わせた順序回帰モデルと高速な疎Bayes学習 ○長島主尚・井上真郷（早大）  IBISML2012-87 |
|
| 抄録 | （和） | 順序回帰問題の一般的な解法では，ノイズが付加された入力を数直線上に配置し，閾値を設けて属する範囲毎に観測ラベルが一意に決まるモデルを使用する．この尤度はプロビット関数の差の積となり，対数尤度の微分を用いるような解析が複雑になる問題があった．本発表では，真のラベルに対する観測ラベルが確率的に変化するモデルを導入する．具体的にはロジスティック回帰モデルの組み合わせで表現する．このモデルは既存モデルに比べて解析が容易であることがわかった．また，このモデルに対してAutomatic Relevance Determination (ARD)事前分布を用いた際，従来は困難であった高速な学習法の導出が可能となることを示す． |
| （英） | The common solution to the ordinal regression problem uses the model in which noise-contained inputs are deterministically labeled according to domains partitioned by several thresholds. Its likelihood is given by the product of the differences of probit functions and this likelihood prevents common analytical approaches such as differentiation of the log likelihood. In this manuscript, we introduce a model in which noise-free inputs are probabilistically labeled. More specifically, this model is constructed by using logistic regression models. We found that this model is easy to analyze. We also show that its 'fast' sparse Bayesian learning with automatic relevance determination (ARD) prior is possible. | |
| キーワード | （和） | 順序回帰 / ロジスティック回帰 / 基底関数 / Sparse Bayesian Learning / / / / |
| （英） | Ordinal Regression / Logistic Regression / Basis Function / Sparse Bayesian Learning / / / / | |
| 文献情報 | 信学技報, vol. 112, no. 279, IBISML2012-87, pp. 381-385, 2012年11月. | |
| 資料番号 | IBISML2012-87 | |
| 発行日 | 2012-10-31 (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 | IBISML2012-87 |
|
| 研究会情報 | |
| 研究会 | IBISML |
| 開催期間 | 2012-11-07 - 2012-11-09 |
| 開催地（和） | 筑波大学 東京キャンパス文京校舎 |
| 開催地（英） | Bunkyo School Building, Tokyo Campus, Tsukuba Univ. |
| テーマ（和） | 第15回情報論的学習理論ワークショップ |
| テーマ（英） | the 15th Information-Based Induction Sciences Workshop |
| 講演論文情報の詳細 | |
| 申込み研究会 | IBISML |
| 会議コード | 2012-11-IBISML |
| 本文の言語 | 日本語 |
| タイトル（和） | ロジスティック回帰モデルを組み合わせた順序回帰モデルと高速な疎Bayes学習 |
| サブタイトル（和） | |
| タイトル（英） | An Ordinal Regression Model Based on Logistic Regression Models and Its Fast Sparse Bayesian Learning |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 順序回帰 / Ordinal Regression |
| キーワード(2)（和/英） | ロジスティック回帰 / Logistic Regression |
| キーワード(3)（和/英） | 基底関数 / Basis Function |
| キーワード(4)（和/英） | Sparse Bayesian Learning / Sparse Bayesian Learning |
| 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） | 長島 主尚 / Kazuhisa Nagashima / ナガシマ カズヒサ |
| 第1著者 所属（和/英） | 早稲田大学 (略称： 早大) Waseda University (略称： Waseda Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 井上 真郷 / Masato Inoue / イノウエ マサト |
| 第2著者 所属（和/英） | 早稲田大学 (略称： 早大) Waseda University (略称： Waseda Univ.) |
| 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 | 2012-11-08 15:00:00 |
| 発表時間 | 150分 |
| 申込先研究会 | IBISML |
| 資料番号 | IBISML2012-87 |
| 巻番号（vol） | vol.112 |
| 号番号（no） | no.279 |
| ページ範囲 | pp.381-385 |
| ページ数 | 5 |
| 発行日 | 2012-10-31 (IBISML) |
[研究会発表申込システムのトップページに戻る]