JP7096218B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP7096218B2 JP7096218B2 JP2019161031A JP2019161031A JP7096218B2 JP 7096218 B2 JP7096218 B2 JP 7096218B2 JP 2019161031 A JP2019161031 A JP 2019161031A JP 2019161031 A JP2019161031 A JP 2019161031A JP 7096218 B2 JP7096218 B2 JP 7096218B2
- Authority
- JP
- Japan
- Prior art keywords
- matrix
- metric
- data
- vector
- data group
- 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
Images
Landscapes
- Image Analysis (AREA)
Description
実施の形態に係る情報処理方法は、属するクラスを示すラベルが付されたラベル有り学習データと、属するクラスが不明であるラベル無し学習データとの隣接関係に基づいて、ラベル有り学習データに付されたラベルをラベル無し学習データを構成する各データに伝搬させるための手法に関する。
ここで「ドロネー三角形分割」とは、2次元平面上に離散的に分布する点を頂点とする三角形によって2次元平面を漏れなくかつ重なりなく分割する手法の一種である。ドロネー三角形分割によって分割された三角形は以下に記載するような性質を持つ。すなわち、ドロネー三角形分割によって分割された任意の三角形の外接円の内部には、他の三角形を構成する点が含まれないという性質である。
図1は、実施の形態に係る情報処理装置1の機能構成を模式的に示す図である。情報処理装置1は、記憶部2と制御部3とを備える。図1において、矢印は主なデータの流れを示しており、図1に示していないデータの流れがあってもよい。図1において、各機能ブロックはハードウェア(装置)単位の構成ではなく、機能単位の構成を示している。そのため、図1に示す機能ブロックは単一の装置内に実装されてもよく、あるいは複数の装置内に分かれて実装されてもよい。機能ブロック間のデータの授受は、データバス、ネットワーク、可搬記憶媒体等、任意の手段を介して行われてもよい。
式(1)において、Fはxiとxjとの計量を算出するための関数である。関数Fの詳細は後述する。
(1+λL)f=y (6)
行列算出部31が計量行列Gを算出するために用いる関数Fについて説明する。
実施の形態に係る行列算出部31は、半定値性を持つ関数Fを用いて各データ間の計量を算出する。半定値性を持つ関数Fの例としてはSVMにおけるカーネル関数が挙げられる。具体的には、多項式カーネル、ガウシアンカーネル、双曲線正接カーネル等が挙げられる。以下では、行列算出部31がガウシアンカーネルを用いて各データ間の計量を算出することを前提として説明する。
続いて、行列圧縮部32による計量行列Gの圧縮について説明する。行列圧縮部32は、互いに独立な2つの手法を用いて計量行列Gを圧縮する。
式(7)に示す関数Fの定義から明らかなように、計量gijは、ベクトルxiとベクトルxjとが離れるほど急激に0に近づく。したがって、ラベル有りデータ群とラベル無しデータ群とに偏りがないことを前提とすれば、計量行列Gの要素は0に近いものが多いと考えられる。
続いて、行列圧縮部32による計量行列Gの圧縮の第2の手法について説明する。
上述した計量行列Gの圧縮に関する第1の手法と第2の手法とは互いに独立している。したがって、行列圧縮部32は、第1の手法と第2の手法とを併用することができる。具体的には、行列圧縮部32は、第1の手法を用いて算出した行列に対して、さらに第2の手法を用いて圧縮することができる。
図6は、実施の形態に係る情報処理装置1が実行する情報処理の流れを説明するためのフローチャートである。本フローチャートにおける処理は、例えば情報処理装置1が起動したときに開始する。
以上説明したように、実施の形態に係る情報処理装置1によれば、多次元のドロネー分割を利用した半教師有り学習におけるラベル伝搬を実用化することができる。
2・・・記憶部
3・・・制御部
30・・・データ取得部
31・・・行列算出部
32・・・行列圧縮部
33・・・分割部
34・・・隣接行列取得部
35・・・ラベル伝搬部
36・・・ベクトル選択部
Claims (7)
- 属するクラスを示すラベルが付されたラベル有りデータ群と、属するクラスが不明であるラベル無しデータ群とを取得するデータ取得部と、
前記ラベル有りデータ群と前記ラベル無しデータ群とのそれぞれを構成するデータ中の1つのデータと当該1つのデータを含む他のデータとの間の類似度を示す計量を要素とする計量ベクトルを、データ毎に並べて構成される計量行列を算出する行列算出部と、
前記計量行列を構成する各計量ベクトルの次元を圧縮した圧縮計量ベクトルを並べて構成される圧縮計量行列を生成する行列圧縮部と、
前記圧縮計量ベクトルそれぞれの要素を座標とする複数の点を前記圧縮計量ベクトルの次元数と同次元の多次元空間にマッピングし、前記複数の点に対して多次元のドロネー分割をする分割部と、
ドロネー分割後の各点の接続関係を隣接行列として取得する隣接行列取得部と、
前記隣接行列及び前記ラベル有りデータ群のラベルに基づいて、前記ラベル無しデータ群を構成する各データにラベルを伝搬させるラベル伝搬部と、
を備える情報処理装置。 - 前記行列算出部は、半定値性を持つ関数を用いて前記計量を算出する、
請求項1に記載の情報処理装置。 - 前記行列算出部は、ガウシアンカーネルを用いて前記計量を算出する、
請求項1又は2に記載の情報処理装置。 - 前記行列圧縮部は、前記計量行列の要素のうち所定の閾値未満の要素を0で置換した後に、疎行列に基づく行列分解を用いて前記圧縮計量行列を生成する、
請求項3に記載の情報処理装置。 - 前記計量行列を構成する計量ベクトルを順に選択するベクトル選択部をさらに備え、
前記行列圧縮部は、前記ベクトル選択部が選択した計量ベクトルの要素のうち所定の閾値以上の要素を抽出するとともに、前記計量行列を構成する他の計量ベクトルも前記計量ベクトルを構成する要素に対応する要素を抽出し、抽出した要素によって構成される行列を前記圧縮計量行列として生成し、
前記隣接行列取得部は、前記ベクトル選択部が選択した計量ベクトルに対応する点と他の点との接続関係を前記圧縮計量行列に基づいて特定することにより、前記ベクトル選択部が選択した計量ベクトルに対応する前記隣接行列の要素を決定する、
請求項3又は4に記載の情報処理装置。 - プロセッサが、
属するクラスを示すラベルが付されたラベル有りデータ群を取得するステップと、
属するクラスが不明であるラベル無しデータ群を取得するステップと、
前記ラベル有りデータ群と前記ラベル無しデータ群とのそれぞれを構成するデータ中の1つのデータと当該1つのデータを含む他のデータとの間の類似度を示す計量を要素とする計量ベクトルを、データ毎に並べて構成される計量行列を算出するステップと、
前記計量行列を構成する各計量ベクトルの次元を圧縮した圧縮計量ベクトルを並べて構成される圧縮計量行列を生成するステップと、
前記圧縮計量ベクトルそれぞれの要素を座標とする複数の点を前記圧縮計量ベクトルの次元数と同次元の多次元空間にマッピングし、前記複数の点に対して多次元のドロネー分割をするステップと、
ドロネー分割後の各点の接続関係を隣接行列として取得するステップと、
前記隣接行列及び前記ラベル有りデータ群のラベルに基づいて、前記ラベル無しデータ群を構成する各データにラベルを伝搬させるステップと、
を実行する情報処理方法。 - コンピュータに、
属するクラスを示すラベルが付されたラベル有りデータ群を取得する機能と、
属するクラスが不明であるラベル無しデータ群を取得する機能と、
前記ラベル有りデータ群と前記ラベル無しデータ群とのそれぞれを構成するデータ中の1つのデータと当該1つのデータを含む他のデータとの間の類似度を示す計量を要素とする計量ベクトルを、データ毎に並べて構成される計量行列を算出する機能と、
前記計量行列を構成する各計量ベクトルの次元を圧縮した圧縮計量ベクトルを並べて構成される圧縮計量行列を生成する機能と、
前記圧縮計量ベクトルそれぞれの要素を座標とする複数の点を前記圧縮計量ベクトルの次元数と同次元の多次元空間にマッピングし、前記複数の点に対して多次元のドロネー分割をする機能と、
ドロネー分割後の各点の接続関係を隣接行列として取得する機能と、
前記隣接行列及び前記ラベル有りデータ群のラベルに基づいて、前記ラベル無しデータ群を構成する各データにラベルを伝搬させる機能と、
を実現させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019161031A JP7096218B2 (ja) | 2019-09-04 | 2019-09-04 | 情報処理装置、情報処理方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019161031A JP7096218B2 (ja) | 2019-09-04 | 2019-09-04 | 情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021039580A JP2021039580A (ja) | 2021-03-11 |
JP7096218B2 true JP7096218B2 (ja) | 2022-07-05 |
Family
ID=74847153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019161031A Active JP7096218B2 (ja) | 2019-09-04 | 2019-09-04 | 情報処理装置、情報処理方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7096218B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007272291A (ja) | 2006-03-30 | 2007-10-18 | Kddi Corp | 潜在クラス抽出方法および装置ならびに潜在クラス抽出プログラムおよびその記録媒体 |
JP2009230362A (ja) | 2008-03-21 | 2009-10-08 | Nec Corp | ラベル伝播装置、方法、及び、プログラム |
WO2017154946A1 (ja) | 2016-03-09 | 2017-09-14 | 日本電気株式会社 | 情報処理装置、情報処理方法、データ構造およびプログラム |
-
2019
- 2019-09-04 JP JP2019161031A patent/JP7096218B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007272291A (ja) | 2006-03-30 | 2007-10-18 | Kddi Corp | 潜在クラス抽出方法および装置ならびに潜在クラス抽出プログラムおよびその記録媒体 |
JP2009230362A (ja) | 2008-03-21 | 2009-10-08 | Nec Corp | ラベル伝播装置、方法、及び、プログラム |
WO2017154946A1 (ja) | 2016-03-09 | 2017-09-14 | 日本電気株式会社 | 情報処理装置、情報処理方法、データ構造およびプログラム |
Non-Patent Citations (2)
Title |
---|
Dengyong Zhou et al.,Learning with local and global consistency,Proceeding of Advances in neural information processing systems [online],2004年,インターネット<URL: https://proceedings.neurips.cc/paper/2003/file/87682805257e619d49b8e0dfdc14affa-Paper.pdf>,[2022年5月25日検索] |
松本一則ほか,ドロネー分割を用いたラベル伝搬型半教師あり学習の検討,電子情報通信学会技術研究報告,日本,一般社団法人電子情報通信学会,2016年08月29日,Vol.116 No.209,pp.211-214 |
Also Published As
Publication number | Publication date |
---|---|
JP2021039580A (ja) | 2021-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3955173B1 (en) | Training neural network accelerators using mixed precision data formats | |
EP3906616B1 (en) | Neural network activation compression with outlier block floating-point | |
Yu et al. | Capri-net: Learning compact cad shapes with adaptive primitive assembly | |
EP3788559A1 (en) | Quantization for dnn accelerators | |
US20200210838A1 (en) | Neural network activation compression with narrow block floating-point | |
Fritzen et al. | Nonlinear reduced order homogenization of materials including cohesive interfaces | |
Park et al. | Unstructured grid adaptation and solver technology for turbulent flows | |
US20240143977A1 (en) | Model training method and apparatus | |
Gupta et al. | Three-dimensional deep learning-based reduced order model for unsteady flow dynamics with variable Reynolds number | |
Ravi | Efficient on-device models using neural projections | |
Hitzer et al. | Current survey of Clifford geometric algebra applications | |
McComb | Toward the rapid design of engineered systems through deep neural networks | |
US20210300390A1 (en) | Efficient computational inference using gaussian processes | |
JP2005535951A (ja) | n−ピクセルに基づくと共に、代数学的位相幾何学で定義されたイメージモデル、及びそれに基づくアプリケーション | |
Novello et al. | Exploring differential geometry in neural implicits | |
US20220382246A1 (en) | Differentiable simulator for robotic cutting | |
US11295050B2 (en) | Structural analysis method and structural analysis apparatus | |
Trent et al. | Using image processing techniques in computational mechanics | |
Bonnet et al. | An extensible benchmarking graph-mesh dataset for studying steady-state incompressible Navier-Stokes equations | |
Vasudevan | Still a fight to get it right: Verification in the era of machine learning | |
JP7096218B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
Kuleshov et al. | Adaptive models of complex systems based on data handling | |
Iquebal et al. | Emulating the evolution of phase separating microstructures using low-dimensional tensor decomposition and nonlinear regression | |
Yan et al. | A feature selection method for projection twin support vector machine | |
Jain et al. | Development of Surrogate Model to Predict Errors in FEM solutions using Deep Convolutional Neural Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210623 |
|
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: 20220531 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220531 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220623 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7096218 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |