カーネルメソッド: 基礎と応用
By Fouad Sabry
()
About this ebook
カーネル メソッドとは
機械学習の分野では、カーネル マシンはパターン分析のためのメソッドのクラスです。 サポート ベクター マシン (SVM とも呼ばれる) は、このグループの最もよく知られたメンバーです。 パターン分析では、カーネル アプローチとして知られる特定の種類のアルゴリズムが頻繁に使用されます。 これらの戦略には、非線形問題を解決するために線形分類器を利用することが必要です。 データセット内に存在するさまざまな種類の一般関係を見つけて研究することは、パターン分析の最も重要な目標です。 一方、カーネル メソッドでは、ユーザー指定のカーネルのみが必要です。カーネルは、内積を使用して計算されるデータ ポイントのすべてのペアにわたる類似度関数と考えることができます。 これは、これらのタスクを解決する多くのアルゴリズムとは対照的です。アルゴリズムでは、生の表現のデータを、ユーザー指定の特徴マップを介して特徴ベクトル表現に明示的に変換する必要があります。 Representer 定理によれば、カーネル マシンの特徴マップの次元数は無制限ですが、ユーザー入力として必要なのは、次元数が有限の行列だけです。 並列処理がないと、数千を超える個々のケースを含むデータ セットの場合、カーネル マシンでの計算が非常に遅くなります。
メリット
(I ) 以下のトピックに関する洞察と検証:
第 1 章: カーネル メソッド
第 2 章: サポート ベクター マシン
第 3 章: 放射基底関数
第 4 章: 正定値カーネル
第 5 章: 逐次最小最適化
第 6 章: サポート ベクター マシンの正則化の観点
第 7 章 : 表現者定理
第 8 章: 動径基底関数カーネル
第 9 章: カーネル パーセプトロン
第 10 章: 正則化最小二乗法
( II) カーネル メソッドに関する一般のよくある質問に答える。
(III) 多くの分野でのカーネル メソッドの使用例の実例。
(IV) 17 の付録で簡単に説明する 、カーネル メソッドのテクノロジを 360 度完全に理解できるよう、各業界の 266 の新興テクノロジを紹介します。
本書の対象者
専門家、大学生、学生 大学院生、愛好家、愛好家、あらゆる種類のカーネル メソッドに関する基本的な知識や情報を超えたいと考えている人。
Read more from Fouad Sabry
農業における新興技術 [Japanese]
Related to カーネルメソッド
Titles in the series (100)
長短期記憶: シーケンス予測の基礎と応用 Rating: 0 out of 5 stars0 ratingsフィードフォワード ニューラル ネットワーク: 思考機械とニューラルウェブのアーキテクチャの基礎と応用 Rating: 0 out of 5 stars0 ratingsカーネルメソッド: 基礎と応用 Rating: 0 out of 5 stars0 ratingsヘビアン学習: 記憶と学習を統合するための基礎と応用 Rating: 0 out of 5 stars0 ratings人工ニューラルネットワーク: 神経計算の謎を解読するための基礎と応用 Rating: 0 out of 5 stars0 ratings放射状基底ネットワーク: 人工ニューラルネットワークの活性化機能の基礎と応用 Rating: 0 out of 5 stars0 ratings身体化された認知: 基礎と応用 Rating: 0 out of 5 stars0 ratings畳み込みニューラル ネットワーク: 視覚的な画像を分析するための基礎と応用 Rating: 0 out of 5 stars0 ratingsパーセプトロン: 神経ビルディングブロックの基礎と応用 Rating: 0 out of 5 stars0 ratings多層パーセプトロン: ニューラル ネットワークをデコードするための基礎と応用 Rating: 0 out of 5 stars0 ratings単純ベイズ分類器: 基礎と応用 Rating: 0 out of 5 stars0 ratingsアトラクターネットワーク: 計算神経科学の基礎と応用 Rating: 0 out of 5 stars0 ratings制限付きボルツマンマシン: 人工知能の隠れた層を解明するための基礎と応用 Rating: 0 out of 5 stars0 ratingsファジーシステム: 基礎と応用 Rating: 0 out of 5 stars0 ratings統計的分類: 基礎と応用 Rating: 0 out of 5 stars0 ratingsハイブリッドインテリジェントシステム: 基礎と応用 Rating: 0 out of 5 stars0 ratingsハイブリッド ニューラル ネットワーク: 生物学的ニューラルネットワークと人工ニューロンモデルの相互作用の基礎と応用 Rating: 0 out of 5 stars0 ratingsリカレント ニューラル ネットワーク: シンプルなアーキテクチャからゲート付きアーキテクチャまでの基礎と応用 Rating: 0 out of 5 stars0 ratings誤差逆伝播法: 深層学習のトレーニング用データを準備するための基礎と応用 Rating: 0 out of 5 stars0 ratings競争学習: 競争による強化学習の基礎と応用 Rating: 0 out of 5 stars0 ratings階層制御システム: 基礎と応用 Rating: 0 out of 5 stars0 ratingsデータ処理のグループ方法: 予測モデリングとデータ分析の基礎と応用 Rating: 0 out of 5 stars0 ratings神経進化: 神経進化で人間の知性を超えるための基礎と応用 Rating: 0 out of 5 stars0 ratings包含アーキテクチャ: 行動ベースのロボティクスと反応制御の基礎と応用 Rating: 0 out of 5 stars0 ratings資格問題: 基礎と応用 Rating: 0 out of 5 stars0 ratings人工免疫システム: 基礎と応用 Rating: 0 out of 5 stars0 ratingsホップフィールドネットワークス: 記憶を保存するニューラルネットワークの基礎と応用 Rating: 0 out of 5 stars0 ratings位置特定型人工知能: インテリジェンスとアクションを統合するための基礎と応用 Rating: 0 out of 5 stars0 ratings認知アーキテクチャ: 基礎と応用 Rating: 0 out of 5 stars0 ratingsバイオにインスピレーションを得たコンピューティング: デジタル世界での生物学的インスピレーションの基礎と応用 Rating: 0 out of 5 stars0 ratings
Related ebooks
意思決定支援システム: 賢い選択の芸術と科学の基礎と応用 Rating: 0 out of 5 stars0 ratings命題論理: 基礎と応用 Rating: 0 out of 5 stars0 ratings放射状基底ネットワーク: 人工ニューラルネットワークの活性化機能の基礎と応用 Rating: 0 out of 5 stars0 ratings交互決定ツリー: 基礎と応用 Rating: 0 out of 5 stars0 ratingsコンピュータビジョンの基本マトリックス: 「コンピュータ ビジョン」の範囲内で、「コンピュータ ビジョン 基本マトリックス」というタイトルの本のサブタイトルを提案してください。提案されたサブタイトルには「:」を含めないでください。 Rating: 0 out of 5 stars0 ratingsマルチビュー三次元再構成: コンピュータビジョンにおける空間認識のための高度な技術 Rating: 0 out of 5 stars0 ratings幅優先検索: 基礎と応用 Rating: 0 out of 5 stars0 ratings頂点コンピュータグラフィックス: 頂点コンピューター グラフィックスとコンピューター ビジョンの交差点を探る Rating: 0 out of 5 stars0 ratings検索アルゴリズム: 基礎と応用 Rating: 0 out of 5 stars0 ratings経済システム: 経済システムの謎を解き明かす、すべての人のための包括的なガイド Rating: 0 out of 5 stars0 ratings制約満足度: 基礎と応用 Rating: 0 out of 5 stars0 ratingsオブジェクト指向プログラミングの継承: 基礎と応用 Rating: 0 out of 5 stars0 ratingsテクスチャ マッピング: コンピュータービジョンにおける次元性の探求 Rating: 0 out of 5 stars0 ratings社会科学: 社会のタペストリーを解き明かす、社会科学の総合ガイド Rating: 0 out of 5 stars0 ratings社会経済学: 社会経済学の解明、社会と経済の複雑な網目をナビゲートする Rating: 0 out of 5 stars0 ratings比較経済システム: 比較経済システム、イデオロギーの舵取り、選択の強化 Rating: 0 out of 5 stars0 ratings経済分配: 経済分配をマスターし、公正な世界に向けた富の配分をナビゲートする Rating: 0 out of 5 stars0 ratingsメソ経済学: 経済学の橋渡し、ダイナミックな世界に向けてメソ経済学をナビゲート Rating: 0 out of 5 stars0 ratings誤差逆伝播法: 深層学習のトレーニング用データを準備するための基礎と応用 Rating: 0 out of 5 stars0 ratings社会主義経済学: 経済的平等の謎を解く、社会主義経済学の包括的ガイド Rating: 0 out of 5 stars0 ratings地域科学: 地域の世界を解き明かす、地域科学の総合ガイド Rating: 0 out of 5 stars0 ratingsルールベースのシステム: 基礎と応用 Rating: 0 out of 5 stars0 ratingsピンホールカメラモデル: 計算光学を通じて遠近法を理解する Rating: 0 out of 5 stars0 ratingsサットプラン: 基礎と応用 Rating: 0 out of 5 stars0 ratings事例ベースの推論: 基礎と応用 Rating: 0 out of 5 stars0 ratings階層制御システム: 基礎と応用 Rating: 0 out of 5 stars0 ratings自動推論: 基礎と応用 Rating: 0 out of 5 stars0 ratings社会心理学: 社会心理学の秘密を明らかにし、社会における人間の心をナビゲートする Rating: 0 out of 5 stars0 ratings機械推論: 基礎と応用 Rating: 0 out of 5 stars0 ratingsスパムメール: 基礎と応用 Rating: 0 out of 5 stars0 ratings
Reviews for カーネルメソッド
0 ratings0 reviews
Book preview
カーネルメソッド - Fouad Sabry
第1章:カーネル方式
サポートベクターマシンは、機械学習(SVM)のカーネルマシンとして知られるパターン分析技術のクラスの最もよく知られたメンバーです。パターン分析に使用されるアルゴリズムは、カーネルメソッドと呼ばれます。これらの手法は、非線形の問題に対処するために線形分類器に依存しています。データセット内の一般的なタイプの関係 (クラスター、ランク、主成分、相関、分類など) を見つけて分析することは、パターン分析の主な目的です。ユーザー指定のカーネル、または内積を使用して計算されたデータポイントのすべてのペアに対する類似度関数のみを必要とするカーネルメソッドとは対照的に、これらのタスクを解決する多くのアルゴリズムでは、生の表現のデータをユーザー指定の特徴マップを介して特徴ベクトル表現に明示的に変換する必要があります。表現者の定理によると、カーネルマシンの無限次元の特徴マップは、ユーザー入力からの有限次元行列のみを必要とします。並列処理を行わないと、カーネルマシンは数千サンプルを超えるデータセットの計算に時間がかかります。
カーネル関数を使用すると、データの座標を計算することなく、高次元の暗黙的な特徴空間で操作できるため、カーネルメソッドにその名前が付けられます。代わりに、特徴空間内のすべてのデータのペアは、それぞれの画像間の内積を計算することによって単純に計算されます。座標の明示的な計算は、多くの場合、このプロセスよりも計算コストが高くなります。「カーネルトリック」は、この戦略の名前です。ベクトル、テキスト、画像、グラフ、シーケンスデータ用のカーネル関数が追加されました。
カーネルパーセプトロン、サポートベクターマシン(SVM)、ガウスプロセス、主成分分析(PCA)、正準相関分析、リッジ回帰、スペクトルクラスタリング、線形適応フィルタなどは、カーネルで動作するアルゴリズムの例です。
カーネル手法の大部分は統計的に健全であり、固有問題または凸最適化に基づいています。典型的には、統計的学習理論は、それらの統計的特性を研究するために使用される(例えば、ラーデマッハー複雑性を使用する)。
カーネルメソッドは、固定され、入力の機能に対応する一連のパラメーターを学習せず、代わりに i -thトレーニング例 (\mathbf {x} _{i},y_{i}) を「記憶」し、対応する重みを学習するため、インスタンスベースの学習者と比較できます w_{i} 。
ラベルのない入力、すなわち練習セットに載っていない個人についての予測は、ラベルのない入力 k と各トレーニング入力 \mathbf {x'} との間のカーネルとして知られる類似度関数の適用によって扱われる \mathbf {x} _{i} 。
たとえば、類似性の加重和は、多くの場合、カーネル化されたバイナリ分類器によって計算されます。
{\hat {y}}=\operatorname {sgn} \sum _{i=1}^{n}w_{i}y_{i}k(\mathbf {x} _{i},\mathbf {x'} ) どこ
{\hat {y}}\in \{-1,+1\} は、隠された真のラベルが関心のある \mathbf {x'} ラベルのない入力に対するカーネル化されたバイナリ分類器の予測ラベル y です。 k\colon {\mathcal {X}}\times {\mathcal {X}}\to \mathbb {R} は、入力の任意のペア間の類似性を測定するカーネル関数 \mathbf {x} ,\mathbf {x'} \in {\mathcal {X}} です。合計は、分類器のトレーニングセット内のn \{(\mathbf {x} _{i},y_{i})\}_{i=1}^{n} 個のラベル付き例の範囲であり、 y_{i}\in \{-1,+1\} は w_{i}\in \mathbb {R} 、学習アルゴリズムが決定した内容に応じたトレーニング例の重みです。 符号関数は、 \operatorname {sgn} 予測された分類が {\hat {y}} 正または負のどちらになるかを決定します。
1960年代のカーネルパーセプトロンの開発により、カーネル分類器が最初に報告されました。1990年代にサポートベクターマシン(SVM)が人気を博し、手書き認識などのタスクでニューラルネットワークと競争力があることが証明されたとき、彼らは大きな悪評を得ました。
カーネルメソッドは、決定境界または非線形関数を認識するように線形学習アルゴリズムをトレーニングするために必要な明示的なマッピングを回避します。
すべての \mathbf {x} 入力 \mathbf {x'} 空間 {\mathcal {X}} に対して、特定の関数は k(\mathbf {x} ,\mathbf {x'} ) 別の空間の内積として表すことができます {\mathcal {V}} 。
この関数は、カーネル k\colon {\mathcal {X}}\times {\mathcal {X}}\to \mathbb {R} またはカーネル関数と呼ばれることがよくあります。
数学では、「カーネル」という用語は、加重和または積分の重み付け関数を指します。
機械学習の特定の問題は、任意の重み付け関数よりも多くの構造を持っています k 。
カーネルがを満たす「機能マップ」の形式で記述できれば、計算ははるかに簡単になります \varphi \colon {\mathcal {X}}\to {\mathcal {V}} 。
k(\mathbf {x} ,\mathbf {x'} )=\langle \varphi (\mathbf {x} ),\varphi (\mathbf {x'} )\rangle _{\mathcal {V}}.重要な制限は、 \langle \cdot ,\cdot \rangle _{\mathcal {V}} 適切な内積でなければならないということです。
それとは対照的に、 は \varphi 内積空間である限り、 の明示的な表現 {\mathcal {V}} は必要ない。
代替案はマーサーの定理から続く:暗黙的に定義された関数は、関数が \varphi マーサーの条件を満たす {\mathcal {X}} ことを保証する適切な測度を空間が装備できる k ときはいつでも存在する。
内積を任意の正定値行列に割り当てる線形代数的発見の一般化は、マーサーの定理が似ているものです。
実際、この例を使用することで、マーサーの状況を単純化することができます。
集合内の点の数を数える \mu (T)=|T| すべてのカウント T\subset X 測度を測度として選択すると、 T マーサーの定理の積分は合計になります。
\sum _{i=1}^{n}\sum _{j=1}^{n}k(\mathbf {x} _{i},\mathbf {x} _{j})c_{i}c_{j}\geq 0.この合計が、点のすべての有限列と (\mathbf {x} _{1},\dotsc ,\mathbf {x} _{n}) 実数値係数 {\mathcal {X}} のすべての選択 n に対して成り立つ場合 (c_{1},\dots ,c_{n}) (cf.
(陽性の明確な核)、関数は k マーサーの条件を満たします。
ネイティブ空間の任意の関係に依存するいくつかのアルゴリズム {\mathcal {X}} は、実際には、異なる設定、つまり の範囲空間で線形解釈を持ちます \varphi 。
線形解釈からアルゴリズムについてさらに学びます。
さらに、 \varphi 多くの場合、サポートベクターマシンの動作と同様に、計算中に直接計算する必要はありません。
主な利点は実行時間の短縮であると主張する人もいます。
さらに、研究者は現在のアルゴリズムの目的と特性を守るためにそれを利用しています。
理論的には、 \mathbf {K} \in \mathbb {R} ^{n\times n} に関する \{\mathbf {x} _{1},\dotsc ,\mathbf {x} _{n}\} グラム行列(「カーネル行列」とも呼ばれる)は、 {\displaystyle K_{ij}=k(\mathbf {x} _{i},\mathbf {x} _{j})} が定値かつ正(PSD)でなければならない。
経験的には、機械学習におけるヒューリスティックでは、マーサーの条件を満たさない関数の選択は、 k 少なくとも類似性の直感的なアイデアに近似 k すれば、依然として合理的に機能する可能性があります。