変分ベイズ法を用いたスパースなGTMの構築
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データの可視化を行うGTM(Generative Topographic Mapping)が提案され,多くの研究が行われている.GTMは,観測データを制約付き混合分布モデルにあてはめ,EMアルゴリズムを用いて最尤推定することによりデータの可視化を行う.しかしながら,最尤推定はデータの個数が十分でない場合過学習するという問題がある.そこで本論文では,過学習を抑制する学習法として変分ベイズ法に注目し,変分ベイズ法を用いたGTMの学習アルゴリズムについて提案を行う.また,計算機実験により提案手法の有効性を確認する.
- 2012-03-07
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)
- 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
- SOHMM を用いた隠れマルコフモデルの状態可視化
- 非定常ガウス過程を用いたGTMにおけるベイズ法