講演名 | 2006-01-24 ラベル付きマルチモーダルデータの埋め込み(一般, 進化・発進の現象とモデル, 一般) 品田 優貴, 杉山 将, |
---|---|
PDFダウンロードページ | PDFダウンロードページへ |
抄録(和) | 高次元パターンの認識精度を向上させるためには, データの次元数を適切に削減することが重要である.本論文では, 教師付き学習における線形の次元削減問題を論じる.線形次元削減の規準として, クラス間の平均距離を大きくしつつクラス内の分散を小さくするようにデータを低次元空間に埋め込むフィッシャー規準がよく用いられる.しかし, 各クラスのデータが複峰性(マルチモーダル)のとき, クラス間の平均距離やクラス内の分散がうまく評価されないため, フィッシャー規準では適切な埋め込みが行えない.一方, データの局所構造を保存するよう低次元空間にデータを埋め込む局所性保存射影法が近年提案された.この局所性保存射影法によって, 複峰性のデータの局所性をうまく保存しながら埋め込みを行うことが出来る.しかし, 局所性保存射影法はクラスの情報を用いない教師無し学習法であるため, 得られる低次元データが必ずしもパターンの分類に有効であるとは限らない.そこで本論文では, データの局所性を保存しつつ, クラスの情報も考慮する新しい線形次元削減法を提案する. |
抄録(英) | In order to improve the recognition accuracy of high dimensional patterns, it is important to appropriately reduce the number of dimensions of the data. We discuss the linear dimensionality reduction problem in supervised learning. The Fisher Criterion is a standard criterion for linear dimensionality reduction. It reduces dimensionality while keeping the mean distance between classes large and the variance within the class small. However, when the data of each class is multimodal, the Fisher Criterion is not able to reduce dimensionality appropriately since the mean distance between classes and the within-class variance are not well evaluated. Recently, Locality Preserving Projection (LPP) has been proposed, which reduces dimensionality while preserving local structure of the data. LPP is able to perform dimensionality reduction with the multimodality of the data preserved. However, since LPP is an unsupervised method, it is not necessarily effective for pattern classification. In this paper, we therefore propose a new supervised linear dimensionality reduction method which preserves local structure and takes the class information into account. |
キーワード(和) | 次元削減 / 特徴抽出 / ラベル付きマルチモーダルデータ / フィッシャー規準 / 局所性保存規準 / 局所性分離性保存規準 |
キーワード(英) | dimensionality reduction / feature extraction / labeled multimodal data / Fisher Criterion / Locality Preserving Criterion / Locality and Separability Preserving Criterion |
資料番号 | NC2005-102 |
発行日 |
研究会情報 | |
研究会 | NC |
---|---|
開催期間 | 2006/1/17(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) | ラベル付きマルチモーダルデータの埋め込み(一般, 進化・発進の現象とモデル, 一般) |
サブタイトル(和) | |
タイトル(英) | Embedding of Labeled Multimodal Data |
サブタイトル(和) | |
キーワード(1)(和/英) | 次元削減 / dimensionality reduction |
キーワード(2)(和/英) | 特徴抽出 / feature extraction |
キーワード(3)(和/英) | ラベル付きマルチモーダルデータ / labeled multimodal data |
キーワード(4)(和/英) | フィッシャー規準 / Fisher Criterion |
キーワード(5)(和/英) | 局所性保存規準 / Locality Preserving Criterion |
キーワード(6)(和/英) | 局所性分離性保存規準 / Locality and Separability Preserving Criterion |
第 1 著者 氏名(和/英) | 品田 優貴 / Yuki SHINADA |
第 1 著者 所属(和/英) | 東京工業大学工学部情報工学科 Department of Computer Science, Tokyo Institute of Technology |
第 2 著者 氏名(和/英) | 杉山 将 / Masashi SUGIYAMA |
第 2 著者 所属(和/英) | 東京工業大学大学院情報理工学研究科計算工学専攻 Department of Computer Science, Tokyo Institute of Technology |
発表年月日 | 2006-01-24 |
資料番号 | NC2005-102 |
巻番号(vol) | vol.105 |
号番号(no) | 544 |
ページ範囲 | pp.- |
ページ数 | 6 |
発行日 |