ハイパーコラムモデルにおけるスパースコード学習(テーマセッション(4),CVのためのパターン認識・学習理論の新展開)  [in Japanese] Sparse Code Learning in Hyper-Column Model  [in Japanese]

ハイパーコラムモデルは自己組織化の競合学習を用いた階層型のニューラルネットワークである.ネオコグニトロンのS層とC層を階層型自己組織化マップで置き換えた構造をしており,物体の位置やサイズが変化する画像を認識することができる.従来のハイパーコラムモデルでは,各層において下位の層との結合のみが考慮されており,同層に配置された階層型自己組織化マップ間の結合については考慮されていない.そこで本論文では,階層型自己組織化マップ間の興奮性結合の学習法を提案する.ハイパーコラムモデルは,各自己組織化マップで活性化する勝利ニューロンの組み合わせを学習することができるため,認識フェーズでは,各階層型自己組織化マップから活性化するニューロンに制約を設けることができる.これにより,誤ったニューロンが活性化することを抑制することができるため,認識率の向上が見込まれる.我々は,本学習法をスパースコード学習と名づけた.

Hyper-Column Model (HCM) is a self-organized, competitive and hierarchical multilayer neural network. It is derived from the Neocognitron by replacing each S cell and C cell with a two layer Hierarchical Self-Organizing Map (HSOM). HCM can recognize images with variant object size, position, orientation and spatial resolution. Original HCM has connections only with its input layer or bottom layer and does not assume lateral connections among HSOMs. In this paper, we propose a new learning method with excitatory lateral connections. HCM can learn patterns of winner neurons which are activated in each HSOM by updating the excitatory connections, which improves the recognition accuracy. In recognition phase, HCM imposes constraints on the neurons which are activated in each HSOM by using the excitatory connections. We call this learning method "Sparse Code Learning" from the viewpoint that an entire activation pattern is described as multiple neurons.