自己増殖型ニューラルネットワークによる知識獲得に関する研究

自传播神经​​网络知识获取研究

• 批准号: 05J08385
• 负责人: 申 富饒
• 金额: $ 1.15万
• 依托单位: Tokyo Institute of Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2005
• 资助国家: 日本
• 起止时间: 2005 至 2006
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-05J08385/
• 关键词: 自己増殖; ニューラルネッワーク; クラスタリング; 位相学習; 耐ノイズ; 追加学習; 教師あり学習; 準教師あり能動学習; ニューラルネットワーク

(1)SOINNの拡張としての、安定して動作し大きくオーバーラップするクラスタも分離可能な教師なし学習法"Enhanced-SOINN"の研究開発:SOINNは教師なし学習法であるが、大きくオーバーラップするクラスタを自律的に分離・抽出することは難しい。またSOINNは原理的に若干動作が不安定といつた問題もある。そこで本研究ではこれらの問題の解決を図り、新たに"Enhanced SOINN(E-SOINN)"法として提案した。(2)SOINNの教師あり学習の枠組みへの拡張とそのパターン認識への応用:パターン認識の問題では各クラスのパターンに教師ラベルが与えられる場合があるが、本研究ではSOINNをそうした教師あり学習問題にも適用可能なように拡張する。本研究によれば、ノイズに強く、計算が軽く、多クラスに対応可能で高精度な上、追加学習も可能、といった教師あり学習器が実現できる。こうした学習器は世界的に見ても他に例がなく、学術的に興味深いだけでなく実利用性も極めて高い。(3)SOINNの発展としてのオンライン準教師あり能動学習手法の構築とその認知発達ロボティクスへの応用:SOINNは教師なし学習法であるが、SOINNが形成するクラスタのトポロジに「重み」の概念を導入することにより、SOINNを発展させたオンラインの準教師あり能動学習手法を構築する。この手法は計算が軽いほか、耐ノイズ性や追加学習可能性といったSOINNの有用な性質を全て受け継いでおり、世界的に見て他に類を見ない。また性能的にも、予備実験の結果、2005年のニューラルネットワーク研究分野では最高レベルの国際会議、Neural Information Processing Systems(NIPS)にて報告された従来型(学習に膨大な時間がかかり追加学習が不可能)の準教師あり能動学習手法に匹敵する認識精度が得られることが分かっている。

（1）“增强的Soinn”的研究和开发，Soinn的扩展，Soinn是一种无监督的学习方法，可以稳定运行，还可以分离大型重叠簇：Soinn是一种无监督的学习方法，但是很难自动分离和提取大型重叠簇。此外，存在一个问题，即Soinn的运作原则上有些不稳定。因此，这项研究旨在解决这些问题，并提出了一种新的“增强的soinn（e-soinn）”方法。 （2）将soinn扩展到监督学习的框架及其在模式识别上的应用：在模式识别问题中，可能会给每个班级的模式提供教师标签，但是在这项研究中，Soinn可扩展到适用于此类监督的学习问题。根据这项研究，可以实现有监督的学习设备，并具有耐噪声，光明的计算，高精度和更多的学习。这些学习设备在全球范围内是无与伦比的，不仅在学术上很有趣，而且非常实用。 （3）建造在线副监督的主动学习方法是Soinn的进步及其在认知发展机器人技术中的应用：Soinn是一种无监督的学习方法，但是通过将“权重”的概念引入由Soinn组成的群集的拓扑概念中，我们将构建一个在线助理学习方法，以构建已建立的Active Meartiv方法，以构建已启用SoInn。该方法在计算中很轻，并继承了Soinn的所有有用属性，例如噪声阻力和其他学习可能性，使其在全球范围内独特。在性能方面，初步实验表明，可以实现2005年在神经网络研究，神经信息处理系统（NIP），神经网络研究领域的最高级别的神经网络研究领域的国际国际会议上的识别精度（例如学习非常耗时，无法学习其他学习）。

项目成果

An adaptive incremental LBG for vector quantization

• DOI: 10.1016/j.neunet.2005.05.001
• 发表时间: 2006-06
• 期刊: Neural Networks
• 影响因子: 7.8
• 作者: S. Furao;O. Hasegawa

An incremental network for on-line unsupervised classification and topology learning

• DOI: 10.1016/j.neunet.2005.04.006
• 发表时间: 2006-01-01
• 期刊: NEURAL NETWORKS
• 影响因子: 7.8
• 作者: Shen, FR;Hasegawa, O
• 通讯作者: Hasegawa, O

An Incremental Neural Network for Online Supervised Learning and Topology Learning

• DOI: 10.20965/jaciii.2007.p0087
• 发表时间: 2007-01
• 期刊: J. Adv. Comput. Intell. Intell. Informatics
• 作者: Y. Kamiya;S. Furao;O. Hasegawa

Fractal image coding with simulated annealing search

具有模拟退火搜索的分形图像编码

• 发表时间: 2005
• 期刊: Journal of Advanced Computational Intelligence and Intelligent Informatics 9・1
• 作者: Shen Furao;Osamu Hasegawa
• 通讯作者: Osamu Hasegawa

自己増殖型ニューラルネットワークを用いたプロトタイプ生成による高速最近傍識別器の構成手法

一种通过使用自传播神经​​网络生成原型来构造高速最近邻鉴别器的方法

• 发表时间: 2007
• 期刊: 電子情報通信学会 (採録決定)
• 作者: 神谷祐樹;申富饒;長谷川修
• 通讯作者: 長谷川修