自己増殖型ニューラルネットワークを用いた高次元ノンパラメトリック確率密度推定(テーマセッション,大規模データベースとパターン認識)

スポンサーリンク

概要

• 論文の詳細を見る

• ノンパラメトリック確率密度推定において、高次元環境下では、精度を出すのに必要なサンプル数や計算時間が大きく増加し、いわゆる「ビッグデータ」への対応が難しい。そこで、自己増殖型ニューラルネットワーク(Self-Organizing Incremental Neural Network、SOINN)とカーネル密度推定(Kernel Density Estimation、KDE)を組み合わせることによって、高次元環境下において、高速かつ限られたサンプル数でも一定の精度を出すことに成功した。

• 2013-02-14

著者

• 高橋 大志

  東京工業大学工学部情報工学科

• 中村 圭宏

  東京工業大学大学院総合理工学研究科知能システム科学専攻

• 長谷 川修

  東京工業大学像情報工学研究所

関連論文

• 自己増殖型ニューラルネットワークを用いた高次元ノンパラメトリック確率密度推定(テーマセッション,大規模データベースとパターン認識)
• ノイズ環境下における高速オンライン多変量ノンパラメトリック密度推定法(テーマセッション,大規模データベースとパターン認識)

スポンサーリンク