SFEM-GSによる特徴統合を利用した映像の評価値推定の高精度化

摘要

本稿では，正準相関分析手法として，supervised fractional-order embedding multi view canonical correlation analysis（SFEMCCA），さらに，データの幾何構造を解析する枠組みを導入したSFEMCCA with geometrical structure （SPEM-GS）の二種を提案する．これらは，（1）少サンプル高次元かつノイズを有するデータの学習，（2）三変量以上のデータを統合可能な学習，（3）教師あり学習の三点に焦点を当てた相関分析手法であり，異なる特徴量の統合を実現する．実世界では，以上三点を満たす学習が必要とされる多くの場面が想定され，より正確な統合の実現には，これらに焦点を当てた相関分析手法の構築が必要不可欠である．我々の先行研究である映像の評価値推定も，上記（1）-（3）の学習を適用可能であり，本稿の提案手法を適用することは有効であると考えられる·実験から，従来用いられてきた代表的な教師あり相関分析手法と比べ，両手法は統計的に優位（p＜0.01）であることを示した．