一般回帰ニューラルネットを用いた最小2乗非線形判別写像の近似学習

概要

論文の詳細を見る
統計的パターン認識において、クラス判別に適した特微を抽出することは重要なテーマの一つであり、従来から様々な特微抽出法や選択手法が提案されてきた。中でも非線形写像に着目し、各クラスを代表する代表ベクトルとの2乗誤差を最小にする意味で最適な特徴量に変換する最小2乗非線形判別写像は、従来の線形識別や2次識別を越える高性能な判別方式として期待される。この最小2乗非線形判別写像を獲得する為にはパターン分布を表す確率密度関数を推定する必要があり、最も簡単な推定方法の一つとしては、sigmoid型の入出力関数をもつ多層フィードフォワードニューラルネット (MLNN) に対して誤差逆伝播法を適用する方法が考えられる。しかし、MLNNは問題の構造とは全く無関係に決定された統計モデルであり、汎用的な近似手法の一つという位置づけでしかないため、MLNNを用いる必然性は不十分であった。これに対して、Spechtが提案した一般回帰ニューラルネット (CRNN: General Regression Neural Network) は、非線形重回帰分析から導かれる統計モデルであり、最小2乗非線形判別写像を近似する上ではMLNNよりもより理論的根拠があると考えられる。
社団法人電子情報通信学会の論文
1997-03-06