タスクの複雑さを考慮した適応共鳴理論に基づく教師あり学習法

摘要

Fuzzy ARTMAP (FAM) is a supervised learning system based on the adaptive resonance theory (ART). If FAM learns samples with a large amount of noise, it increases categories rapidly and the performance decreases heavily. Although many slow learning methods have been devised to solve the problem, they are less suitable for the region classification tasks than FCSR which is the original learning method for FAM. This report shows that our proposed learning method can improve the learning and recognition performances of FAM, irrespective task complexity (e.g., noisy / noiseless environment). Our method is a simple learning method based on FCSR and AL which is a typical slow learning method. It reflects our original ideas in terms of the match tracking, the initial memory of a new generated node, and growth of categories.%適応共鳴理論（ART）の教師あり学習システムであるファジィARTMAPは，サンプルデータに多量のノイズが含まれる場合，カテゴリ数の急激な増加に伴う著しい性能の低下を引き起こす.この間題を解決する一つの手法として様々な非高速学習が提案されてきたが,ノイズが殆ど含まれない領域分類では従来法よりも性能が劣ることを確認している．そこで本研究では，ノイズの有無などのタスクの複雑さに関わらず,学習および認識性能の向上に有効な学習法を提案する.提案手法はオリジナルの学習法であるFCSR法と，非高速学習であるAL法に基づく簡素なアルゴリズムであり，マッチトラッキング，新規ノードの記憶設定，カテゴリの形成について改良を施している．