最大幾何マージン最小分類誤り学習法を目指して

• 山田 幸太

• 片桐 滋

• マクダーモット エリック

• 渡辺 秀行

• 中村 篤

• 渡部 晋治

• 大崎 美穂

書誌事項

タイトル別名

• Towards Maximum Geometric Margin Minimum Error Classification
• サイダイ キカ マージン サイショウ ブンルイ アヤマリ ガクシュウホウ オ メザシテ

抄録

計算機の性能や利用可能なデータ量に関する近年の著しい進歩に伴い,パターン分類器設計のための識別学習法に関する研究の関心が高まってきた.中でも,最小分類誤り学習(MCE)とサポート・ベクター・マシン(SVM)は大きな注目を集めている.前者は多様なタイプの音声分類器あるいはテキスト分類器のための汎用的な識別学習の枠組みとして広く用いられ,一方,後者は固定次元ベクトルの効果的な分類のための標準的な技術となっている.原理的には,MCEは最小誤り分類の達成を目指し,それとは対照的にSVMは分類決定における耐性の向上を目指す.これらの2つの異なる目標を同時に達成することができれば,明らかに有益な分類を実現できるものと考えられる.本論文は,こうした問題意識に立ち,MCEとSVMとの2つの方法論を詳細に分析し,最大幾何マージンと最小誤り分類との双方を実用的な枠組みにおいて同時に達成する新しいMCE訓練法を提案するものである.

収録刊行物

• 同志社大学理工学研究報告

  同志社大学理工学研究報告 50 (3), [149]-158, 2009-10-31

  同志社大学理工学研究所

キーワード

• 最小分類誤り学習
• 幾何マージン
• 関数マージン
• サポート・ベクター・マシン

詳細情報

• CRID: 1390853649843427328
• NII論文ID: 110007343601
• NII書誌ID: AN00165868
• DOI: 10.14988/pa.2017.0000011851
• NDL書誌ID: 10497201
• ISSN: 00368172
• Web Site: https://doshisha.repo.nii.ac.jp/records/20740
• Web Site: http://id.ndl.go.jp/bib/10497201
• Web Site: https://ndlsearch.ndl.go.jp/books/R000000004-I10497201
• 本文言語コード: ja
• データソース種別:
  • JaLC
  • IRDB
  • NDL
  • CiNii Articles
• 抄録ライセンスフラグ: 使用可