* Rankprop [#j3878266]

//ここには %項目の説明を書いてください.よろしければ署名しておいてください.

ニューラルネットで,1/0 のそれぞれのクラスへのなりやすさではなく,そのなりやすさで整列したときの順位を正確に予測する工夫.
機械学習分野で,順位付けの問題を扱った初期の研究.

訓練事例は1/0の2クラス.
これを,整列すると,1の事例が上位に,0の事例が下位に並ぶ.
しかしこれでは大量の同順位が生じる.
そこで,1の訓練事例内で,現在のネットワークの出力の大きさに応じて整列.
0の訓練事例内でも同様の処理をする.
すなわち,訓練事例の1/0を1次キー,ネットワークの各事例の予測値を2次キーとして与えられた訓練事例を整列.

訓練事例を整列したら,今度は,この列中での順位を予測するように,最小2乗誤差基準でバックプロパゲーションを用いてネットワークを再訓練する.

仮想コードで書くと,次の手続きを反復
+ 各事例に対するネットワークの出力を順伝播で求める.
+ 各事例のクラスを1次キー,ネットワークの出力値を2次キーとして事例を整列
+ この列での各事例の順位を予測するように,最小2乗誤差基準でネットワークを再訓練

この方法がうまくゆく理由としては,関数そのものより,その関数と単調な関係の関数を学習する方が,学習の条件として緩くなることを挙げている.

> -- しましま

** 関連項目 [#i08708ec]

//英語や同義語のあとに,#brで区切って関連する項目をリストしてください.
-[[ニューラルネット]]
#br
-[[検索:Rankprop]]

** リンク集 [#yc6ab885]

//関連するWWW資源があればリンクしてください.

** 関連文献 [#m0d1ad7e]

//この%項目%に関連する書籍や論文を紹介してください.

-基本文献~
Using The Future to "Sort Out" The Present: Rankprop and Multitask Learning for Medical Risk Evaluation~
[[GoogleScholarAll:Using The Future to Sort Out The Present: Rankprop and Multitask Learning for Medical Risk Evaluation]]

トップ   編集 差分 履歴 添付 複製 名前変更 リロード   新規 一覧 検索 最終更新   ヘルプ   最終更新のRSS