クラス間距離を最大化する教師あり独立成分分析アルゴリズムの提案

摘要

独立成分分析（ICA）は，これまで主にブラインド信号分離問題に適用されてきたが，パターン認識の特徴抽出手法としても，一部の問題においてその有効性が示されつつある．しかしながら，従来のICAアルゴリズムにょって抽出された特徴量では，その有効性が特徴空間上でパターンの分布に大きく依存する．これは，与えれているクラス情報を利用せず，単に特徴量の独立性を高めることで特徴抽出を行っていることに起因すると考えられる．そこで本稿では，特徴量の独立性を高めるだけでなく，異なるクラスに属するパターンの特徴量ができるだけ分離するよう，特徴量間のマハラノビス距離を最大化するICAアルゴリズムを提案する．この提案アルゴリズムの有効性を検証するため，UCI Machine Learning Repositoryに含まれる3種類のデータセットに対し，特徴量の有効性を認識実験で調べる．そして，ICAにクラス情報を導入することで，異なるクラスに属する特徴の分離性が向上し，認識率が改善されることを示す．また，単にマハラノビス距離を最大化する手法よりも，独立性を同時に高めることによって，より優れた特徴量が得られることを示す．