余事象確率分布に基づく未学習クラス推定ニューラルネットと異常値の知的構造把握

点击翻译按钮获取中文摘要

教師データが存在するパターン識別問題においては予め分類対象クラスの学習データやクラスの数を与えることで識別器の学習を実現するが，学習対象に含まれない未知のパターンが入力された場合には必ず既存のクラスに誤識別されるという課題が存在する．本研究の目的は学習クラスの分類を行う多クラス識別器と学習していないことを判断する異常検知器を統合した新たな識別器を提案し，検知された異常値の性質やクラスタ構造を明らかにする解析手法を確立することである．昨年度には学習時に想定しない“未学習クラス”を分類可能な未学習クラス推定確率ニューラルネットを提案し，その有効性を確認したが，学習の不安定さや未学習クラスに関する情報を得られないという課題も存在していた．そこで本年度は，提案法のネットワーク構造の改良，およびノンパラメトリックベイズ手法による未学習クラスの内部構造解析に取り組んだ．昨年度の確率ニューラルネットではネットワーク内部に内包される2種類の確率密度関数の統計的パラメータをネットワークの重み係数としてそれぞれを独立に最適化したが，統計的制約を十分考慮した学習を実現できなかった．本年度に提案した手法では重み係数の共通化を可能にする新たなネットワーク構造を提案することで，統計的制約を満たした学習や識別精度の安定化，ネットワークの内部構造の可視化までを実現した．また，異常値として未学習クラスに分類されたサンプル群に対して無限混合正規分布を適用し，未学習クラスの構造を確率モデルによって表現可能であることを確認し，得られたクラスタ構造を既存の提案ネットワークに追加したり，既存の学習クラスを削除したりする新たな適応的学習法を提案した．この方法論ではクラスの追加・削除を行う際に学習済みの重み係数を活用可能であり，人工データの分類実験では少ない学習回数でネットワークの重み係数を最適化できることを示した．