学習理論         (Learning Theory)     (北陸先端大 嵯峨山・下平研究室で行っていたもの)

現在、パターン認識の手法は音声認識や文字認識の分野で利用されています。パターン認識の分野には1980年代にニューラルネットワークなどにより発展した識別学習の理論があります、この識別学習の１つに1995年にBell研究所のVapnikらによって提案されたSuport Vector Machine (SVM)があり、SVMは高い認識性能を示している事から近年注目をあつめています。本研究室ではSVMの基礎理論の拡張を行い、より精度の高い音声認識や文字認識、画像認識の実現を目標に研究を行っています。 (この研究は、北陸先端大 情報科学研究科 知能情報学研究室で行われています。)

---

[ SVMとは ]

SVMは統計的学習理論に基づく新しい２クラスのパターン認識手法であり、ニューラルネットワークなどの従来法と比較して汎化能力が高い点と最適解が求まる点に特徴があります、そのため学習に用いていない資料に対しても高い認識率を示しています。SVMがこのような特徴を示すのは、その学習に認識誤りと汎化性能の両面から最適化が行われ、これが２次の凸計画問題として定式化されているため最適解を求める事ができるためです。またSVMは学習の最適解として求められた分離超平面による線形識別を行っています、しかし学習資料を線形分離することが不適切な場合、学習資料を元のパターン空間からより高次のパターン空間に非線形写像を行い高次元空間で分離超平面を構築し線形識別を行います（下図）。

---

[ 研究概要 ]

• Support vector Machine による時系列パターンの認識（中井 M2)
  
  固定長データを扱う識別器であるSVMは文字認識や画像認識の分野で高い認識性能を示しているのにも関わらず、音声認識の分野に応用された例はまだ少数です、これは音声認識の特徴量が可変長の時系列データであるのでSVMが音声データを直接扱うことができないためです。そこでSVMを音声認識などの時系列データを扱う分野にも適応できるように、時系列データを扱う新しいSVMの枠組を開発する研究を行っています。

---

[ 過去の研究]

• 線形計画法を用いたパターン認識手法に関する研究 （佐藤）
  2クラスのパターン認識を複数クラス問題に拡張する手法に関する研究
  
• Support Vector Mchine を用いたパターン認識に関する研究 （坂井）
  誤分類される資料の個数を最小にするSVMに関する研究

---

[ 関連研究機関]

• Bell Laboratories SVM page (demonstration available)
• GMD First(German National Research Center for Information Technology)
• B. Schölkopf's home page.
• Royal Holloway College, University of London SVM page
• Patern Recognition group of Delft University
• SVM Application List

---

WWW-admin: sagayama@hil.t.u-tokyo.ac.jp