勾配法を使った学習の収束に関する研究

• Item type: Symposium(1)
• 公開日: 2008-10-31
• タイトル: 勾配法を使った学習の収束に関する研究
• タイトル / 言語: en
• タイトル: A Study about Convergence Speed of Machine Learning by Gradient Method
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 著者所属: 北陸先端科学技術大学院大学
• 著者所属: 北陸先端科学技術大学院大学
• 著者所属: 北陸先端科学技術大学院大学
• 著者所属(英): en
• 著者所属(英): Japan Advanced Institute of Science and Technology
• 著者所属(英): en
• 著者所属(英): Japan Advanced Institute of Science and Technology
• 著者所属(英): en
• 著者所属(英): Japan Advanced Institute of Science and Technology
• 著者名: 松井, 利樹; 橋本, 剛; 橋本, 隼一
• 著者名(英): Matsui, Toshiki; Hashimoto, Tsuyoshi; Hashimoto, Junichi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: ゲームにおける思考アルゴリズムの研究において，機械学習によってパラメータの調整を行うことが以前から盛んに行われてきた．様々な手法が提案されているが，ここでは勾配法を使用した最適化問題を考える．勾配法を使用したパラメータの学習は大規模な非線形計画問題になりがちで収束速度はしばしば重要な問題となる．しかし様々な要因から高速な収束は非常に難しい．そこで本稿では新たな収束アルゴリズムを提案し，既存の手法であるSGD法や最急降下法と性能比較を行いその有効性を確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Machine Learning has been used to adjust the parameter since before. We think about optimization problem by Gradient Method. Machine Learning by Gradient Method tends to become large-scale Nonlinear Programming Problem, and convergence speed often becomes a big problem. However, effective convergence is very difficult from various factors. In this paper, We proposed new method, and We compared Stochastic Gradient Descent Method (SGD), Steepest Gradient that is existing method with new method. As a result, we confirmed effectiveness of new method.
• 書誌情報: ゲームプログラミングワークショップ2008論文集; 巻 2008, 号 11, p. 92-95, 発行日 2008-10-31
• 出版者 / 言語: ja
• 出版者: 情報処理学会