多目的遺伝的アルゴリズムによる SVM 学習データ選択手法

• Item type: SIG Technical Reports(1)
• 公開日: 2008-12-10
• タイトル: 多目的遺伝的アルゴリズムによる SVM 学習データ選択手法
• タイトル / 言語: en
• タイトル: SVM Training Data Selection Using Multi-Objective Genetic Algorithm
• 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: 同志社大学生命医科学部
• 著者所属: 同志社大学大学院工学研究科
• 著者所属: 同志社大学理工学部
• 著者所属: 同志社大学生命医科学部
• 著者所属(英): en
• 著者所属(英): Faculty of Life and Medical Sciences, Doshisha University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Doshisha University
• 著者所属(英): en
• 著者所属(英): Faculty of Science and Engineering, Doshisha University
• 著者所属(英): en
• 著者所属(英): Faculty of Life and Medical Sciences, Doshisha University
• 著者名: 廣安, 知之; 西岡, 雅史; 三木, 光範; 横内, 久猛
• 著者名(英): Tomoyuki, Hiroyasu; Masashi, Nishioka; Mitsunori, Miki; Hisatake, Yokouchi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: SVM の学習に用いる学習データの選択を多目的最適化問題として扱い，多目的 GA 探索戦略を適用させる．幅広い解集合を導出することにより，SVM の学習におけるトレードオフを把握する．アブストラクト：サポートベクターマシン （SVM） の学習では，どのデータを学習データとして扱うかの選択が重要となる．これは，多くの学習データを利用する際に過学習の問題が存在するからである．ユーザは，どれだけの学習データを利用するのかを決定し，与えられたデータセットから学習データを選択しなければならない．本研究では，この SVM 学習データの選択を多目的最適化問題としてとらえ，多目的遺伝的アルゴリズム（多目的 GA）を適用することによって最適化する．このとき，問題の特徴を把握するためには幅広いパレート解集合を導出する必要がある．したがって，我々の提案する多目的 GA のための探索戦略を，学習データの選択に適用することが有効であると考えられる．提案する探索戦略を SVM 学習データ選択問題へと適用させた結果，従来の多目的 GA 手法に比べて幅広い解集合を導出可能であることが確認できた．また，探索戦略を用いることにより， SVM の学習における学習データの分類性能と汎化能力のトレードオフ関係をより正確に把握することができた．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: We handled the SVM training data selection as a multi-objective optimization problem and applied our proposed MOGA search strategy to it. Better understanding of the tradeoff in the training of SVM is possible by deriving broad solutions. When training Support Vector Machine (SVM), selection of a training data set becomes an important issue, since the problem of overfitting exists with a large number of training data. A user must decide how much training data to use in the training, and then select the data to be used from a given data set. We considered to handle this SVM training data selection as a multi-objective optimization problem and applied our proposed MOGA search strategy to it. It is essential for a broad set of Pareto solutions to be obtained for the purpose of understanding the characteristics of the problem, and we considered the proposed search strategy to be suitable. The proposed search strategy was adapted to the SVM training data selection problem, and the results of the experiment indicated that broader solutions can be obtained by the search strategy compared to conventional MOGAs. Moreover, better understanding of the tradeoff relationship between the classification performance of the training data and the generalization performance became possible with the proposed search strategy.
• 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: AN10505667
• 書誌情報: 情報処理学会研究報告数理モデル化と問題解決（MPS）; 巻 2008, 号 126(2008-MPS-072), p. 77-80, 発行日 2008-12-10
• 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