クラスタリングを用いた核非線形相互部分空間法の処理量削減手法(パターン認識と理解,<特集>画像の認識・理解論文)

概要

論文の詳細を見る
本論文では,核非線形相互部分空間法の処理量削減に関する検討結果を報告する.核非線形相互部分空間法では,データを部分空間で表現するのに固有値問題を解く必要があるため,処理量はサンプル数の3乗に比例する.また,核非線形主成分分析で求められた基底同士の類似度は,すべての学習データ,認識対象データの間での核関数を計算することにより求められるため,線形のアルゴリズムである相互部分空間法に比べると極めて処理量が大きい.このような処理量の問題に対して,サンプルを削減することで処理量削減を試みた.サンプルの削減手法として,本論文では,ランダムサンプリング,一定サンプリングTippingが提案したスパースカーネルPCA,Smolaらが提案したスパースカーネルPCA, Condensing,二つのChunking,クラスタリング(K-平均法)の八つを取り上げた.そして我々は,核非線形相互部分空間法と組み合わせたときの各サンプル削減手法の比較実験を行い,クラスタリング(K-平均法)がサンプル削減手法として優れた結果を示した.
社団法人電子情報通信学会の論文
2007-08-01