最大幾何マージン最小分類誤り学習法を目指して

概要

論文の詳細を見る
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.The recent dramatic growth of computation power and data availability has increased research interests in discriminative training methodologies for pattern classifier design. Minimum Classification Error (MCE) training and Support Vector Machine (SVM) training methods are especially attracting a great deal of attention. The former has been widely used as a general framework for discriminatively designing various types of speech and text classifiers; the latter has become the standard technology for the effective classification of fixed-dimensional vectors. In principle, MCE aims to achieve minimum error classification, and in contrast, SVM aims to increase the classification decision robustness. The simultaneous achievement of these two different goals would definitely valuable. Motivated this concern, in this paper we elaborate the MCE and SVM methodologies and develop a new MCE training method that leads in practice to the best condition of maximum geometric margin and minimum error classification.
同志社大学の論文

最大幾何マージン最小分類誤り学習法を目指して

スポンサーリンク

概要

著者

関連論文

スポンサーリンク