お知らせ 研究会の開催と会場に参加される皆様へのお願い(2020年7月開催~)
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 2016-07-06 14:55
L0ノルム最適化手法に基づく高次元データの判別分析
伊藤紀基佐藤 匡電通大)・樺島祥介東工大)・宮脇陽一電通大NC2016-14
抄録 (和) 計測技術の発達により,比較的容易に高次元データを得ることが可能になってきた.一方で,データが持つ高い次元に対して,データの性質を記述するのに十分なサンプル数が取れないという状況が,実験のコストをはじめとする様々な要因でしばしば生じうる.このような場合においてもデータの性質を信頼度高く記述しモデル化するためには,高次元データの中から真に重要な特徴量のみを抽出する特徴量選択のプロセスが極めて重要になる.高次元データからの適切な特徴量選択手法の実現を目指し,我々は選択する特徴量の個数を陽に制御するL0ノルム最適化に基づく反復アルゴリズムに着目する.L0ノルム最適化は,主として圧縮センシングの分野で研究が進んできているが,判別問題へと適用した例はこれまで明示的には提案されていない.そこで本研究では,iterative hard thresholding (IHT) に基づくL0ノルム最適化手法を判別問題に適用する方法を提案し,その判別精度と特徴量選択の性能を評価した.シミュレーションの結果,提案手法は非スパース判別モデルであるsupport vector machine (SVM)よりも判別精度が高く,スパース判別モデルであるsparse logistic regression (SLR)よりも特徴量選択の精度が高い場合があることを確認した.これらの結果は,提案手法が高次元データからの効率的な特徴量抽出に貢献できる可能性があることを示唆している. 
(英) Advances in sensing devices allow us to measure high-dimensional data easily, but the sample size is often limited because of various reasons such as costs and duration to perform experiments. In such circumstances, feature selection plays a vital role to establish reliable models to describe characteristics of the high-dimensional data. For this purpose, we study iterative algorithms for L0-norm optimization that controls a number of features to be selected. The algorithms have been actively developed for compressed sensing, but not for classification problems explicitly. In this paper, we formulated a classification model with L0-norm regularization based on iterative hard thresholding (IHT) algorithm, quantified its performance in terms of accuracy in classification and feature selection, and compared the performance with that of representative models of a non-sparse classifier (support vector machine) and a sparse classifier (sparse logistic regression). Results showed that the IHT-based classifier outperformed the non-sparse classifier in terms of classification accuracy and did a sparse classifier in terms of feature selection accuracy for certain noise conditions. These results suggest that the proposed model serves an effective means to extract important features embedded in the high-dimensional data.
キーワード (和) 特徴量選択 / L0ノルム最適化 / iterative hard thresholding / 高次元データ / スパースモデリング / / /  
(英) feature selection / L0-norm optimization / iterative hard thresholding / high-dimensional data / sparse modeling / / /  
文献情報 信学技報, vol. 116, no. 120, NC2016-14, pp. 223-228, 2016年7月.
資料番号 NC2016-14 
発行日 2016-06-28 (NC) 
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 NC2016-14

研究会情報
研究会 NC IPSJ-BIO IBISML IPSJ-MPS  
開催期間 2016-07-04 - 2016-07-06 
開催地(和) 沖縄科学技術大学院大学 
開催地(英) Okinawa Institute of Science and Technology 
テーマ(和) 機械学習によるバイオデータマインニング、一般 
テーマ(英) Machine Learning Approach to Biodata Mining, and General 
講演論文情報の詳細
申込み研究会 NC 
会議コード 2016-07-NC-BIO-IBISML-MPS 
本文の言語 日本語 
タイトル(和) L0ノルム最適化手法に基づく高次元データの判別分析 
サブタイトル(和)  
タイトル(英) Classification analysis of high-dimensional data based on L0-norm optimization. 
サブタイトル(英)  
キーワード(1)(和/英) 特徴量選択 / feature selection  
キーワード(2)(和/英) L0ノルム最適化 / L0-norm optimization  
キーワード(3)(和/英) iterative hard thresholding / iterative hard thresholding  
キーワード(4)(和/英) 高次元データ / high-dimensional data  
キーワード(5)(和/英) スパースモデリング / sparse modeling  
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) 伊藤 紀基 / Noriki Ito / イトウ ノリキ
第1著者 所属(和/英) 電気通信大学 (略称: 電通大)
The University of Electro-Communications (略称: UEC Tokyo)
第2著者 氏名(和/英/ヨミ) 佐藤 匡 / Masashi Sato / サトウ マサシ
第2著者 所属(和/英) 電気通信大学 (略称: 電通大)
The University of Electro-Communications (略称: UEC Tokyo)
第3著者 氏名(和/英/ヨミ) 樺島 祥介 / Yoshiyuki Kabashima / カバシマ ヨシユキ
第3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4著者 氏名(和/英/ヨミ) 宮脇 陽一 / Yoichi Miyawaki / ミヤワキ ヨウイチ
第4著者 所属(和/英) 電気通信大学 (略称: 電通大)
The University of Electro-Communications (略称: UEC Tokyo)
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
発表日時 2016-07-06 14:55:00 
発表時間 25 
申込先研究会 NC 
資料番号 IEICE-NC2016-14 
巻番号(vol) IEICE-116 
号番号(no) no.120 
ページ範囲 pp.223-228 
ページ数 IEICE-6 
発行日 IEICE-NC-2016-06-28 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会