非定常ガウス過程を用いたGTMにおけるベイズ法
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写像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.一般にGTMは観測データの分布を表現する非線形写像の事前分布をガウス過程と仮定する確率モデルと解釈することが可能であり,ガウス過程を決定する共分散関数の選択によりその性質が変更される.従来のGTMでは,共分散関数として潜在変数空間全体に渡り常に一定の長さスケールを持つ関数を用いており,それ故観測データの分布を表現する非線形写像の滑らかさを潜在変数の値に応じて局所的に変更できない問題がある.そこで本論文では,潜在変数空間上の局所領域ごとに非線形写像の滑らかさを制御することが可能なGTMの提案を行う.
- 2013-03-06
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