GTMを用いた時系列データの可視化
スポンサーリンク
概要
- 論文の詳細を見る
近年,観測データを潜在変数の非線形変換を用いて表現することにより,観測データの本質的な構造を探るGTM(Generative Topographic Mapping)が提案され,データの可視化やクラスタリング等への応用が試みられている.GTMは,同様にデータの可視化等を目的とする自己組織化マップと比べ,確率論的にモデル化されている等の幾つかの有用な特性が示されている.しかしながら,GTMは,独立同一分布からの標本という仮定からそのアルゴリズムが構築されており,互いに相関を持つ時系列データに対してGTMを適用した場合,誤った結果を導きかねない.そこで本論文では,観測データの生成モデルとしてARHMM(Auto-Regressive Hidden Markov Model)を仮定するGTM,GTM-ARHMMの提案を行い,GTM-ARHMMを用いて時系列データの可視化を行う.
- 2009-03-04
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