隠れ変数モデルを用いたECOCの構築(一般,ニューロハードウェア,一般)
スポンサーリンク
概要
- 論文の詳細を見る
本論文では,多クラス識別器の構築法としてECOC(Error-Correcting Output Coding)の研究を行う.ECOCは,K個のクラスを2個のクラス集合に分割し,それら2個のクラス集合を識別する2クラス識別器を複数個統合することにより多クラス識別器の構築を行う.ECOCを用いて多クラス識別器を構築した場合,単純には,より多くの2クラス識別器を用いるため識別率の高い多クラス識別器を構築することが期待できる.しかしながら,従来のECOCは,K個のクラスの分割,2クラス識別器の構築,2クラス識別器の統合を順に行う手法であり,本来互いに関連する3個の問題を互いを考慮することなく個別に行う問題がある.そこで,本論文では,これら3個の問題を一つの問題にまとめ,互いの問題を考慮しながら同時的に解決するECOC-LVM(ECOC using Latent Variable Models)の提案を行い,より識別率の高いECOCの構築を行う.
- 社団法人電子情報通信学会の論文
- 2007-11-11
著者
関連論文
- GTMを用いた自己回帰隠れマルコフモデルの状態可視化(バイオサイバネティックス,ニューロコンピューティング)
- GTMを用いた自己回帰隠れマルコフモデルの状態可視化
- ILRを用いたpairwise couplingの統合法
- SOHMMを用いた隠れマルコフモデルの状態可視化
- ECOCにおける事後確率の推定誤差の上界
- エラー訂正符号を用いたパターン識別器の統合法
- 符号化された教師信号を用いたパターン認識器の統合法
- RBFネットワークにおける再学習を必要としない中間細胞併合法
- RBFネットワークにおける再学習を必要としない中間細胞併合法
- RBFネットワークにおける出力関数変動最小化に基づく中間細胞併合法
- D-2-19 RBFネットワークにおける再学習を必要としない中間細胞併合法
- 再学習の必要のない追加学習法と計算量の削減
- 関数空間上におけるノルムを用いた干渉量の定義と追加学習
- 関数空間上におけるノルムを用いた干渉量の定義と追加学習
- 関数空間上におけるノルムを用いた干渉量の定義と追加学習
- GTMを用いた時系列データの可視化
- SOHMMを用いた隠れマルコフモデルの状態可視化
- 隠れ変数モデルを用いたECOCの構築(一般,ニューロハードウェア,一般)
- 隠れ変数モデルを用いたECOCの構築
- WLS-ECOCにおける事後確率の推定誤差を用いたエラー訂正符号の生成法(バイオサイバネティックス,ニューロコンピューティング)
- WLS-ECOC における事後確率の推定誤差を用いたエラー訂正符号の生成法
- LS-ECOCにおける符号の生成法
- 神経回路による干渉を受けるパターンの想起と追加学習
- 人工神経回路による干渉を受けるパターンの想起と追加学習 : 新しい想起手法の提案
- 人工神経回路による干渉を受けるパターンの想起と追加学習
- 変分ベイズ法を用いたスパースなGTMの構築
- 非定常ガウス過程を用いたGTMにおけるベイズ法