最適汎化のための射影学習族の追加学習  [in Japanese] Incremental Learning for Optimal Generalization in a Family of Projection Learings  [in Japanese]

    • 西 栄治 NISHI Eiji
    • 東京工業大学大学院総合理工学研究科知能システム科学専攻 Department of Computational Intelligence and Systems Science, Tokyo Institute of Technology.
    • 杉山 将 SUGIYAMA Masashi
    • 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.
    • 小川 英光 OGAWA Hidemitsu
    • 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.

Access this Article

  • CiNii Fulltext PDF

    Subscription

Search this Article

Abstract

与えられた訓練データに対して学習が完了した後,更に高い汎化能力を獲得するために,新しい訓練データを追加する場合を考える.このような場合,これまでに用いた訓練データと新しく追加する訓練データすべてを用いて最初から学習をやり直す一括学習よりも,以前の学習結果を利用する追加学習の方が効率がよい.これまでに,一括学習と全く同じ学習結果が得られる追加学習法が,射影学習の評価基準のもとで提案されている.本論文では,このような追加学習法を,射影学習,部分射影学習,平均射影学習など,無限に多くの種類の学習を含む射影学習族に対して提案する.そして,射影学習に対する追加学習で得られている多くの性質が,射影学習族に対する追加学習に対しても成立することを示す.

We consider the case where new training examples are added to acquire a higher level of generalization capability after the learning process has been completed. In this case, incremental learning is generally preferred because it is more efficient in computation than batch learning. In this paper, we propose an incremental learning method for a family of projection learnings, which is a collection of an infinite kinds of learnings including projection learning, partial projection learning, and averaged projection learning, The proposed method is optimal in the sense of the generalization capability, i. e., it provides exactly the same generalization capability as that obtained by batch learning.

Journal

IEICE technical report. Neurocomputing   [List of Volumes]

IEICE technical report. Neurocomputing 99(473), 7-14, 1999-11-26  [Table of Contents]

The Institute of Electronics, Information and Communication Engineers

References:  11

You must have a user ID to see the references.If you already have a user ID, please click "Login" to access the info.New users can click "Sign Up" to register for an user ID.

Codes

  • NII Article ID (NAID) :
    110003234375
  • NII NACSIS-CAT ID (NCID) :
    AN10091178
  • Text Lang :
    JPN
  • Article Type :
    ART
  • Databases :
    CJP  NII-ELS