| 講演名 | 2006-12-14 グラフスペクトル法の拡張 : 半教師付き学習とテンソル分解(テーマセッション(3),パターン認識・メディア理解のための学習理論とその応用) 浦浜 喜一, |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | グラフスペクトル法はデータをグラフで表して,行列の固有値分解でデータ処理する手法であり,グラフ表現によりデータの多様体構造を把握できることや唯一解が簡単に求まることなどが特長である.この多様体表現能力は半教師付き学習にも有用である.半教師付き学習では学習データのラベル付け作業が軽減され,少数学習データ問題も緩和される.グラフスペクトル法の写像を線形化すれば,固有値分解の計算量も減り,汎化も自明になる.少数学習データ問題を緩和するアプローチとして,半教師付き学習と並んでテンソル解析があげられる.特徴ベクトルをテンソルにコンパクト化すればデータ内相関も圧縮でき,計算量も減る.超グラフスペクトル法では類似度行列がテンソルになり,部分空間クラスタリングなどが見通しよく行える. |
| 抄録(英) | Graph spectral methods are approaches to data processing using spectral decomposition of matrices representing data with graph structures. Their benefits lie in their capability of grasping manifold structure in data and easiness of calculation of a unique solution. This representability of manifold structures is also valuable for semi-supervised learning. Semi-supervised schemes reduce labors of labeling of data by users and remedy small sample size problems. Linearization of graph spectral mapping saves computation of eigen-decomposition and enables the mapping to be directly generalized to new test data. Besides the semi-supervised learning, tensor analysis is also useful for relaxing the small sample size problem. By lumping long feature vectors into a compact higher-order tensor, we can compress intra-correlations in addition to inter-correlations between data. Tensorization also reduces computational costs. Similarity matrices become higher-order tensors for hypergraphs with which subspace clustering is performed systematically. |
| キーワード(和) | グラフスペクトル法 / 半教師付き学習 / テンソル分解 / 高階特異値分解 / 超グラフスペクトル法 |
| キーワード(英) | graph spectral method / semi-supervised learning / tensor decomposition / higher order singular value decomposition / hypergraph spectral method |
| 資料番号 | PRMU2006-168 |
| 発行日 |
| 研究会情報 | |
| 研究会 | PRMU |
|---|---|
| 開催期間 | 2006/12/7(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 | Pattern Recognition and Media Understanding (PRMU) |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | グラフスペクトル法の拡張 : 半教師付き学習とテンソル分解(テーマセッション(3),パターン認識・メディア理解のための学習理論とその応用) |
| サブタイトル（和） | |
| タイトル（英） | Extension of Graph Spectral Method : Semi-Supervised Learning and Tensor Decomposition |
| サブタイトル（和） | |
| キーワード(1)（和/英） | グラフスペクトル法 / graph spectral method |
| キーワード(2)（和/英） | 半教師付き学習 / semi-supervised learning |
| キーワード(3)（和/英） | テンソル分解 / tensor decomposition |
| キーワード(4)（和/英） | 高階特異値分解 / higher order singular value decomposition |
| キーワード(5)（和/英） | 超グラフスペクトル法 / hypergraph spectral method |
| 第 1 著者 氏名（和/英） | 浦浜 喜一 / Kiichi URAHAMA |
| 第 1 著者 所属（和/英） | 九州大学 大学院芸術工学研究院 視覚情報部門 Faculty of Design, Kyushu University |
| 発表年月日 | 2006-12-14 |
| 資料番号 | PRMU2006-168 |
| 巻番号（vol） | vol.106 |
| 号番号（no） | 428 |
| ページ範囲 | pp.- |
| ページ数 | 6 |
| 発行日 | |