@article{oai:ipsj.ixsq.nii.ac.jp:00017072,
 author = {関口, 涼平 and 高橋, 治久 and 堀田, 一弘 and Ryohei, Sekiguchi and Haruhisa, Takahashi and Kazuhiro, Hotta},
 issue = {SIG4(TOM20)},
 journal = {情報処理学会論文誌数理モデル化と応用（TOM）},
 month = {Mar},
 note = {本論文では，カーネル主成分分析（KPCA）に基づいた新しい学習機械を提案する．KPCA は，パターン識別の前処理として用いられ，主成分分析を使う場合より良い認識性能が出せる場合も報告されている．KPCA と線形サポートベクトルマシンを合わせたカーネルプロジェクションマシン（KPM）は，モデル選択との併用により，少ない学習時間でサポートベクトルマシン（SVM）と同等の汎化性能が得られる利点があるが，その性能はSVM と同様カーネルパラメータに大きく依存する．本論文では，KPM に対し，KPCA の理論に基づいて最適なカーネルパラメータを決定するアルゴリズムを提案し，計算機実験によりその性能を評価する．SVM との計算機実験による比較により，提案手法が少ない計算時間でより良い性能を達成できることを示す．, This paper proposes a new learning machine based on Kernel Principal Component Analysis(KPCA). KPCA is usually used as a pre-processing process preceding application of learning machines, thereby better performance is achieved than linear Principal Component Analysis in some cases. Kernel Projection Machine (KPM), which is proposed by Blanchard etc., applies linear SVM after KPCA with a model selection process. Although KPM can perform equally to Support vector Machine (SVM) with smaller execution time, its performance heavily depends on the kernel parameter. We propose a novel algorithm to determine the optimal kernel parameter in the learning process. The algorithm is obtained based on the theory of KPCA, and we show that the proposed learning method show a better performance than SVM in both generalization and computation time through computer experiments.},
 pages = {79--87},
 title = {カーネル主成分分析を用いた学習機械のパラメータ自動決定法},
 volume = {49},
 year = {2008}
}