研究紹介



ニューラルネットワークの統計的研究


視覚の生成モデル

生成モデルとは、潜在的な原因からデータの発生を説明する確率モデルである。 生成モデルのパラメータ推定アルゴリズムは、データの内部表現の教師無し学習 アルゴリズムを与える。 このようなモデルは、画像データから画像の統計的性質に適した内部表現を 獲得する事ができる。 現在、人間の視覚系を再現する最小の生成モデル(minimal generative model) を探索している。

論文


混合因子分析モデル

ニューラルネットワークの教師無し学習は、環境によって与えられる入力データから、 潜在的な構造を抽出する事を目的としています。 潜在構造のタイプには様々なものが考えられますが、 最も単純なタイプは「離散的なクラス」と「線形部分空間」です。 データ解析の分野ではクラスター分析と主成分分析が、 信号解析の分野ではベクトル量子化とKL変換が、これらの潜在構造を 抽出するために使われています。 確率モデルとしては、これらは混合正規分布モデルと因子分析モデルに対応します。 混合因子分析モデル(MFA: Mixtures of Factor Analyzers)は、両者のモデルを融合したもので、局所的な線形部分空間で表されるクラスの 集団によって潜在構造を表現します。このような潜在構造の枠組は、非常に柔軟で発展性を持つため、 様々な認識系のモデリングの中核になることが期待されます。

論文・発表


自己組織化写像のベイズ確率モデル

自己組織化写像(SOM:Self-Organizing Map)は、環境から与えられる入力データの中に 潜むトポロジカルな構造を抽出することができるユニークなニューラルネットワークモデルです。 抽出された構造は、予測、分類、制御などを行うシステムの性能向上に利用されます。 実際には、SOMは柔軟すぎるため、どのようなトポロジーを仮定しても、データに適合してしまいます。 ここでは、SOMを確率モデルとして再構築する事により、統計的原理に基づいた柔軟性の調節や、 最適なトポロジーの探索などを可能にしています。

JavaとGIFアニメーションによるデモ

論文・発表


昔の仕事

主な論文


ホームページへ