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)
スポンサーリンク
概要
- 論文の詳細を見る
近年,観測データの分布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行われている.しかしながら,GTMは独立同一分布からの標本を仮定しており,互いに相関をも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,時系列データの生成モデルとして制約付きARHMM(Auto-Regressive Hidden Markov Model)を仮定するGTM-ARHMMの提案を行い,GTM-ARHMMを用いた時系列データの可視化手法について提案を行う.
- 2010-05-01
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