近傍事例集合の分布密度を用いたMultiple-Instance 学習

• Item type: Trans(1)
• 公開日: 2008-03-15
• タイトル: 近傍事例集合の分布密度を用いたMultiple-Instance 学習
• タイトル / 言語: en
• タイトル: Multiple Instance Learning by Distribution Density of Neighbor Sets of Instances
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: オリジナル論文
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 神戸大学大学院工学研究科
• 著者所属: 神戸大学大学院工学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Kobe University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Kobe University
• 著者名: 川村, 俊樹; 上原, 邦昭
• 著者名(英): Toshiki, Kawamura; Kuniaki, Uehara
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 通常の教師あり学習では事例とラベルが1対1に対応付けられているが，現実のアプリケーションでは，1対1のラベル付けは不可能な場合がある．Multiple-Instance 学習はこのような状況の問題を取り扱うために考案された学習手法である．Multiple-Instance学習では，ラベルは個々の事例にはつかず，事例集合にのみつく．このため，通常の教師あり学習より制約が弱く，多くの問題を扱えるようになる．逆に，学習は困難な問題となる．本論文では，「近傍事例集合密度による正事例らしさ」と「事例集合の領域定義」の2 つを組み合わせた手法を提案する．具体的には，事例集合ごとに各事例の正事例らしさを求め，それらを用いた事例集合の領域の重ね合わせによって，正事例が多く含まれうる領域を求める．さらに，この領域の重なりから事例集合のラベル推定を行う手法を提案する．最後に，人工データとベンチマークデータセットによって提案手法の有効性を示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Multiple-instance problems arise from the situations where training class labels are attached to sets of samples (named bags), instead of individual samples within each bag (called instances). Common single-instance learning algorithms can hardly good performance when being applied to multiple-instance problems directly. We present a new multiple-instance learning method that combines a measure of the intersection of the positive bags minus the union of the negative bags and weights by the density of neighbor positive bags. We present experimental results on artificial data and benchmark datasets.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11464803
• 書誌情報: 情報処理学会論文誌数理モデル化と応用（TOM）; 巻 49, 号 SIG4(TOM20), p. 117-124, 発行日 2008-03-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7780
• 出版者 / 言語: ja
• 出版者: 情報処理学会