| Item type |
SIG Technical Reports(1) |
| 公開日 |
2015-01-15 |
| タイトル |
|
|
タイトル |
大幾何マージン最小分類誤り学習法におけるデータ分割法と未知標本耐性の関係について |
| タイトル |
|
|
言語 |
en |
|
タイトル |
Relation between Data Grouping and Robustness to Unseen Data in Large Geometric Margin Minimum Classification Error Training |
| 言語 |
|
|
言語 |
jpn |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_18gh |
|
資源タイプ |
technical report |
| 著者所属 |
|
|
|
同志社大学 |
| 著者所属 |
|
|
|
情報通信研究機構 |
| 著者所属 |
|
|
|
同志社大学 |
| 著者所属 |
|
|
|
情報通信研究機構 |
| 著者所属 |
|
|
|
情報通信研究機構 |
| 著者所属 |
|
|
|
同志社大学 |
| 著者所属(英) |
|
|
|
en |
|
|
Doshisha University |
| 著者所属(英) |
|
|
|
en |
|
|
NICT |
| 著者所属(英) |
|
|
|
en |
|
|
Doshisha University |
| 著者所属(英) |
|
|
|
en |
|
|
NICT |
| 著者所属(英) |
|
|
|
en |
|
|
NICT |
| 著者所属(英) |
|
|
|
en |
|
|
Doshisha University |
| 著者名 |
白石, 裕之
渡辺, 秀行
片桐, 滋
ル, シュガン
堀, 智織
大崎, 美穂
|
| 著者名(英) |
Hiroyuki, Shiraishi
Hideyuki, Watanabe
Shigeru, Katagiri
Lu, Xugang
Chiori, Hori
Miho, Ohsaki
|
| 論文抄録 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
伝統的に，高い未知標本耐性を持つパターン分類を実現するために，学習用標本と検証用標本を用いた分類器パラメータの学習が行われてきた．しかし，利用可能な標本群を学習用と検証用とに分割する基準は必ずしも明確ではなく，分割によってそれぞれの標本数が小さくなる問題もある．本稿では，高い未知標本耐性を持つ大幾何マージン最小分類誤り学習法に注目し，検証用標本を用いずに学習用標本上の幾何マージンを大きくする学習のみによって高い未知標本耐性を実現する手法の実現可能性を精査する．複数の大きさの学習用標本群と検証用標本群を用いた実験を通して，検証用標本を用いることの長所と短所を明らかにし，また大幾何マージンに着目した手法が持つ潜在的有用性を示す． |
| 論文抄録(英) |
|
|
内容記述タイプ |
Other |
|
内容記述 |
To develop a pattern classifier that is robust to unseen pattern samples, classifier parameters have been conventionally trained using both training and validation sample sets. However, there are no clear criteria for dividing the samples in hand into training and validation sets. In addition, such grouping decreases the number of samples for both training and validation, often lowering robustness to unseen samples. To solve this problem, we elaborate in this paper the nature of an approach that aims, without validation samples, for high robustness only with Large Geometric Margin Minimum Classification Error training over training samples. From experiments using several different sizes of training/validation sample sets, we clarify the advantages and disadvantages of the conventional approach using validation samples and show the potential utility of our proposed large-geometric-margin-based approach. |
| 書誌レコードID |
|
|
収録物識別子タイプ |
NCID |
|
収録物識別子 |
AA11131797 |
| 書誌情報 |
研究報告コンピュータビジョンとイメージメディア（CVIM）
巻 2015-CVIM-195,
号 31,
p. 1-6,
発行日 2015-01-15
|
| Notice |
|
|
|
SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc. |
| 出版者 |
|
|
言語 |
ja |
|
出版者 |
情報処理学会 |
IPSJ-CVIM15195031.pdf (460.0 kB)
