JP5701787B2 - データ分類予測装置、方法、及びプログラム - Google Patents
データ分類予測装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP5701787B2 JP5701787B2 JP2012033243A JP2012033243A JP5701787B2 JP 5701787 B2 JP5701787 B2 JP 5701787B2 JP 2012033243 A JP2012033243 A JP 2012033243A JP 2012033243 A JP2012033243 A JP 2012033243A JP 5701787 B2 JP5701787 B2 JP 5701787B2
- Authority
- JP
- Japan
- Prior art keywords
- matrix
- basis
- data
- source data
- target data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
20 読み込み部
21 ソースデータ読み込み部
22 ターゲットデータ読み込み部
30 記憶部
31 ソースデータ集合記憶部
32 ターゲットデータ集合記憶部
33 パラメータ集合記憶部
40 推定部
41 パラメータ推定部
42 パラメータ書き込み部
50 予測部
51 クラスラベル予測部
52 クラスラベル出力部
Claims (7)
- 多次元ベクトルで表され、かつデータが分類されるクラスを示すラベルが付与された複数のソースデータを含むソースデータ集合と、多次元ベクトルで表され、かつ前記ソースデータとの対応関係及び前記ラベルが未知の複数のターゲットデータを含むターゲットデータ集合を読み込む読込手段と、
前記読込手段により読み込まれた前記ソースデータ集合を示す行列Sを、複数の基底ベクトルを含む基底行列HSと該基底ベクトル毎の重みを表す重み行列WSとに分解すると共に、前記ターゲットデータ集合を示す行列Tを、前記基底行列HSと同一の次元数の基底行列HTと重み行列WTとに分解し、前記重み行列W S により表される前記基底行列HSに含まれる基底ベクトル間の相関と、前記重み行列W T により表される前記基底行列HTに含まれる基底ベクトル間の相関とが比例関係となるように、前記ソースデータ各々と前記ターゲットデータ各々との対応関係を推定する推定手段と、
を含むデータ分類予測装置。 - 前記推定手段は、前記ソースデータ集合を示す行列Sと、前記基底行列HSと前記重み行列WSとの積との差、前記ターゲットデータ集合を示す行列Tと、前記基底行列HTと前記重み行列WTとの積との差、及び前記基底行列HSに含まれる基底ベクトル間の相関と、前記基底行列HTに含まれる基底ベクトル間の相関と比例係数との積との差を含む目的関数を最小化するように、パラメータとして、前記基底行列HS、前記重み行列WS、前記基底行列HTを前記対応関係に基づいて並べ替えた行列HT'、前記重み行列WTを前記対応関係に基づいて並べ替えた行列WT'を推定する請求項1記載のデータ分類予測装置。
- 前記読込手段により読み込まれたターゲットデータを、前記推定手段により推定されたパラメータを用いて前記ソースデータの空間に写像し、写像されたターゲットデータと前記複数のソースデータ各々との類似度、及び該ソースデータ各々に付与されたラベルに基づいて、前記ターゲットデータが分類されるクラスを予測する予測手段を含む請求項2記載のデータ分類予測装置。
- 読込手段と、推定手段とを含むデータ分類予測装置におけるデータ分類予測方法であって、
前記読込手段は、多次元ベクトルで表され、かつデータが分類されるクラスを示すラベルが付与された複数のソースデータを含むソースデータ集合と、多次元ベクトルで表され、かつ前記ソースデータとの対応関係及び前記ラベルが未知の複数のターゲットデータを含むターゲットデータ集合を読み込み、
前記推定手段は、前記読込手段により読み込まれた前記ソースデータ集合を示す行列Sを、複数の基底ベクトルを含む基底行列HSと該基底ベクトル毎の重みを表す重み行列WSとに分解すると共に、前記ターゲットデータ集合を示す行列Tを、前記基底行列HSと同一の次元数の基底行列HTと重み行列WTとに分解し、前記重み行列W S により表される前記基底行列HSに含まれる基底ベクトル間の相関と、前記重み行列W T により表される前記基底行列HTに含まれる基底ベクトル間の相関とが比例関係となるように、前記ソースデータ各々と前記ターゲットデータ各々との対応関係を推定する
データ分類予測方法。 - 前記推定手段は、前記ソースデータ集合を示す行列Sと、前記基底行列HSと前記重み行列WSとの積との差、前記ターゲットデータ集合を示す行列Tと、前記基底行列HTと前記重み行列WTとの積との差、及び前記基底行列HSに含まれる基底ベクトル間の相関と、前記基底行列HTに含まれる基底ベクトル間の相関と比例係数との積との差を含む目的関数を最小化するように、パラメータとして、前記基底行列HS、前記重み行列WS、前記基底行列HTを前記対応関係に基づいて並べ替えた行列HT'、前記重み行列WTを前記対応関係に基づいて並べ替えた行列WT'を推定する請求項4記載のデータ分類予測方法。
- 予測手段を更に含むデータ分類予測装置におけるデータ分類予測方法であって、
前記予測手段は、前記読込手段により読み込まれたターゲットデータを、前記推定手段により推定されたパラメータを用いて前記ソースデータの空間に写像し、写像されたターゲットデータと前記複数のソースデータ各々との類似度、及び該ソースデータ各々に付与されたラベルに基づいて、前記ターゲットデータが分類されるクラスを予測する
請求項5記載のデータ分類予測方法。 - コンピュータを、請求項1〜請求項3のいずれか1項記載のデータ分類予測装置を構成する各手段として機能させるためのデータ分類予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012033243A JP5701787B2 (ja) | 2012-02-17 | 2012-02-17 | データ分類予測装置、方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012033243A JP5701787B2 (ja) | 2012-02-17 | 2012-02-17 | データ分類予測装置、方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013171329A JP2013171329A (ja) | 2013-09-02 |
JP5701787B2 true JP5701787B2 (ja) | 2015-04-15 |
Family
ID=49265239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012033243A Active JP5701787B2 (ja) | 2012-02-17 | 2012-02-17 | データ分類予測装置、方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5701787B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6152073B2 (ja) * | 2014-05-21 | 2017-06-21 | 日本電信電話株式会社 | グループ対応付け装置、方法、及びプログラム |
CN109657693B (zh) * | 2018-10-22 | 2023-08-01 | 中国科学院软件研究所 | 一种基于相关熵和迁移学习的分类方法 |
KR102297548B1 (ko) * | 2019-12-24 | 2021-09-02 | 서울대학교산학협력단 | 신경망 모델을 이용한 정보 보호 방법 및 데이터처리장치 |
CN111339362B (zh) * | 2020-02-05 | 2023-07-18 | 天津大学 | 一种基于深度协同矩阵分解的短视频多标签分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4013489B2 (ja) * | 2001-03-02 | 2007-11-28 | 富士ゼロックス株式会社 | 対応カテゴリ検索システムおよび方法 |
JP2003167914A (ja) * | 2001-11-30 | 2003-06-13 | Fujitsu Ltd | マルチメディア情報検索方法、プログラム、記録媒体及びシステム |
JP4292837B2 (ja) * | 2002-07-16 | 2009-07-08 | 日本電気株式会社 | パターン特徴抽出方法及びその装置 |
JP5407723B2 (ja) * | 2009-10-07 | 2014-02-05 | 株式会社デンソーアイティーラボラトリ | 認識装置、認識方法及びプログラム |
JP5458815B2 (ja) * | 2009-11-11 | 2014-04-02 | 株式会社デンソーアイティーラボラトリ | マルチメディア検索システム |
-
2012
- 2012-02-17 JP JP2012033243A patent/JP5701787B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2013171329A (ja) | 2013-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5701787B2 (ja) | データ分類予測装置、方法、及びプログラム | |
CN109871454B (zh) | 一种鲁棒离散监督跨媒体哈希检索方法 | |
Peng et al. | Normalizing a large number of quantitative traits using empirical normal quantile transformation | |
US8396872B2 (en) | Order-preserving clustering data analysis system and method | |
Tzeng | Split‐and‐Combine Singular Value Decomposition for Large‐Scale Matrix | |
US11829442B2 (en) | Methods and systems for efficient batch active learning of a deep neural network | |
Ploenzke et al. | Interpretable convolution methods for learning genomic sequence motifs | |
Shi et al. | A vector representation of DNA sequences using locality sensitive hashing | |
US11551788B2 (en) | Information processing system, information processing method, and program | |
CN114422450B (zh) | 基于多源网络流量数据的网络流量分析方法和装置 | |
JP5361090B2 (ja) | 話題語獲得装置、方法、及びプログラム | |
Carrieri et al. | Host phenotype prediction from differentially abundant microbes using rodeo | |
JP5813498B2 (ja) | モデル学習装置、関連情報抽出装置、関連情報予測装置、モデル学習方法、関連情報抽出方法、関連情報予測方法およびプログラム | |
Suh et al. | Local topic discovery via boosted ensemble of nonnegative matrix factorization | |
Vishwanathan et al. | Kernel extrapolation | |
Akond et al. | Classification of functional metagenomes recovered from different environmental samples | |
Barchiesi et al. | Learning incoherent subspaces: classification via incoherent dictionary learning | |
Squires et al. | A method of integrating spatial proteomics and protein-protein interaction network data | |
Kaya et al. | Feature selection by high dimensional model representation and its application to remote sensing | |
Perera et al. | A Framework for Feature Selection to Exploit Feature Group Structures | |
JP5882259B2 (ja) | 信号処理装置、方法、及びプログラム | |
JP7420148B2 (ja) | 学習装置、学習方法及びプログラム | |
JP5713877B2 (ja) | 入出力モデル推定装置、方法、及びプログラム | |
Bhowmick et al. | Integrated classifier: A tool for microarray analysis | |
Zou et al. | BDSCyto: an automated approach for identifying cytokines based on best dimension searching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140220 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140829 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140924 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20141107 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150120 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150218 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5701787 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |