一般損失最小化に基づくカーネル識別器の学習

摘要

We evaluate stochastic complexity of Gaussian mixture by Bayes code length, and apply it to the model selection problem. The Gaussian mixture is a popular model in machine learning and statistics. Since it is generally difficult to calculate Bayes code length of Gaussian mixture, we propose an accurate approximation method to calculate it in practical time, which uses Laplace approximation and Monte Carlo method. We compare the performance of our method with other methods.%本稿では、カーネル識別器の新しい学習手法を提案する。まず、任意の損失や事前確率を扱えるように、ベイズ決定理論に基づいた一般損失最小化（GLM）と呼ぶ新しい学習基準を提案し、本学習基準をカーネル識別器の設計に適用することで新しいカーネル識別器の学習手法を導出する。次に、ソフトマージンSVMもまたGLMの枠組みによって導出できることを示し、提案手法との共通点と相違点を明らかにする。人工データ及びUCI Machine Learning Repository の実データを用いた実験によって、提案手法がSVMよりも少ないモデル自由度で同等以上の識別精度を実現することを確認する。