| 講演名 | 1998/3/19 GRBFによる干渉を受けるパターンの想起と追加学習 : 事例ベース推論への適用 山内 康一郎, 石井 直宏, |
|---|---|
| PDFダウンロードページ | PDFダウンロードページへ |
| 抄録(和) | 本稿では, 神経回路を事例ベース推論に応用するための追加学習法を提案する.事例ベース推論とは, 問題が提示された時に, その問題にもっとも良く似た過去の事例をデータベースから捜し出し, それを参考にして解を導き出すという推論手法である.出会った問題と対応する解は事例データベースに逐次追加され, 運用するにしたがって推論能力が高められていく.もし, この事例データベースを神経回路に置き換えることができれば, 入力層に問題を提示して活性値を計算するだけで解が出力層に現れるため, 効率のよい推論が実現するものと期待できる.この事例データベースとしての神経回路に求められる能力は, 少なくとも(1)過去の事例を忘却せずに新規事例を確実に追加学習できること;(2)高い汎化能力があること;の二つが必要である.この手法では, 追加学習によって干渉を受けると予想される疑似パターンを生成して新規パターンと共に学習する追加学習法[1]を大幅に効率化した手法を提案する.本手法を使用すれば, 入力パターンの分布に影響を受けずに, 安定した追加学習が可能であり, 一般的に使われているk-Nearest Neighbor(k-NN)よりも, 少ない中間細胞数でk-NNよりも高い汎化能力を実現できる. |
| 抄録(英) | This paper proposes a low-cost incremental learning method of Generalized Radial Basis Function (GRBF) for a Case Based Reasoning (CBR) system. A CBR system is one type of reasoning system that uses past cases for solving new problems. The system re-uses the solution of a case, which is the most similar to the new problem in a case database, to solve the new problem. If the solution is not good, it is revised by an expert who gives a correct solution. The problem and the correct solution are appended to the case database as a new case. If a system uses a neural network as its case database, the reasoning process is performed more effectively. The system only has to compute the activation of each element of the neural network. Then, an appropriate solution appears in the output layer. The neural network in the CBR system, however, must learn the new case incrementally without forgetting learned instances. To realize this ability, in this paper, we refine on our incremental learning system proposed in [1] so as to reduce the computational complexity. In the new method, the system make learn the Generalized Radial Basis Function (GRBF) [2] both the new case and some old cases which are predicted to be interfered by the learning. The computer simulation result shows that the generalization ability of our system is higher than k-Nearest Neighbors and the number of hidden units are smaller than that of the k-Nearest Neighbors. |
| キーワード(和) | Generalized Radial Basis Function(GRBF) / Resouce Allocating Network(RAN) / k-Nearest Neighbor(k-NN) / 追加学習 / 事例ベース推論 |
| キーワード(英) | Generalized Radial Basis Function(GRBF) / Resouce Allocating Network(RAN) / k-Nearest Neighbor(k-NN) / Incremental Learning / Case Based Reasoning(CBR) |
| 資料番号 | |
| 発行日 |
| 研究会情報 | |
| 研究会 | NC |
|---|---|
| 開催期間 | 1998/3/19(から1日開催) |
| 開催地（和） | |
| 開催地（英） | |
| テーマ（和） | |
| テーマ（英） | |
| 委員長氏名（和） | |
| 委員長氏名（英） | |
| 副委員長氏名（和） | |
| 副委員長氏名（英） | |
| 幹事氏名（和） | |
| 幹事氏名（英） | |
| 幹事補佐氏名（和） | |
| 幹事補佐氏名（英） | |
| 講演論文情報詳細 | |
| 申込み研究会 | Neurocomputing (NC) |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | GRBFによる干渉を受けるパターンの想起と追加学習 : 事例ベース推論への適用 |
| サブタイトル（和） | |
| タイトル（英） | An Incremental Learning method for GRBF with Retrieving of Interfered Patterns : Application for Case Based Reasonings |
| サブタイトル（和） | |
| キーワード(1)（和/英） | Generalized Radial Basis Function(GRBF) / Generalized Radial Basis Function(GRBF) |
| キーワード(2)（和/英） | Resouce Allocating Network(RAN) / Resouce Allocating Network(RAN) |
| キーワード(3)（和/英） | k-Nearest Neighbor(k-NN) / k-Nearest Neighbor(k-NN) |
| キーワード(4)（和/英） | 追加学習 / Incremental Learning |
| キーワード(5)（和/英） | 事例ベース推論 / Case Based Reasoning(CBR) |
| 第 1 著者 氏名（和/英） | 山内 康一郎 / Koichiro YAMAUCHI |
| 第 1 著者 所属（和/英） | 名古屋工業大学知能情報システム学科 Department of Intelligence and Computer Science, Nagoya Institute of Technology |
| 第 2 著者 氏名（和/英） | 石井 直宏 / Naohiro ISHII |
| 第 2 著者 所属（和/英） | 名古屋工業大学知能情報システム学科 Department of Intelligence and Computer Science, Nagoya Institute of Technology |
| 発表年月日 | 1998/3/19 |
| 資料番号 | |
| 巻番号（vol） | vol.97 |
| 号番号（no） | 623 |
| ページ範囲 | pp.- |
| ページ数 | 8 |
| 発行日 | |