教師なしクラスタリングによって未知データの階層的なクラスタ構造を推定する競合モデル

概要

論文の詳細を見る
未知データから逐次入力されるパターンに対して、教師なクラスタリングをおこない、未知データの階層的なクラスタ構造を推定することを目的とする競合モデルを提案する。ここで提案するモデルは、ベイズ決定のゆう度を距離尺度に用いたLBQ(Learning Bayesian Quantization)モデルを多層構造にしたMLBQ(Multi-layer LBQ)モデルである。MLBQの第一層は一つのLBQからなり、入力データの大まかなクラスタを学習する。第二層は第一層のニューロンの受容野に対応した幾つかのLBQからなり、第一層で学習された大まかなクラスタを構成するサブクラスタを学習する。MLBQにより得られるデータの階層構造は、クラスタの入れ子構造で表現される。このモデルに対して、2次元の入力パターンの確率密度関数が正規分布の和となる乱数を用いて数値実験を行い、モデルが入力データに自然な階層的表現を与えていることを確認した。また、MLBQの入力を3次元、層数を四層として、フルカラー画像をRGB空間でクラスタリングした結果を示す。結果から、MLBQは上位の層で入力空間を分割し、分割された領域に対して徐々に細かな特徴を抽出することによって、データの複雑な構造を階層的に表現することを示し、MLBQが画像処理に応用できることを確認した。
社団法人電子情報通信学会の論文
1998-03-20

教師なしクラスタリングによって未知データの階層的なクラスタ構造を推定する競合モデル

スポンサーリンク

概要

著者

関連論文

スポンサーリンク