[3Rin4-33] 分布の形状を考慮した摂動に基づくデータ拡張を用いた回帰モデル
キーワード：データ拡張、回帰、正則化、敵対的生成ネットワーク
十分なデータが得られない状況において深層学習を用いると過学習による性能劣化が問題となる．この問題に対し正則化は有効であるが，過剰な正則化によって逆に性能が劣化する場合がある．この現象は過正則化と呼ばれる．著者らは先行研究の中で分布の形状を考慮することで過正則化を抑えながらデータ拡張する技術を提案した．しかしながら，この技術は識別問題を対象としており，そのままでは回帰に適用することができなかった．そこで本研究では回帰に適用する方法を提案する．具体的には昨今提案されたAdaptive truncated residual networks(ATR-Nets)を活用する．ATR-Netsは，出力を均等に分割したときに，予測値がどの分割に所属するかを予測する識別モデルと，その分割の中央からの差分を予測する回帰モデルによって構成される．提案手法では，それらのモデルに前述のデータ拡張技術を組み込む．提案手法の有効性を評価するために，正則化を行わない場合，および，ガウスノイズによるデータ拡張によって正則化を行った場合と比較した結果，提案手法は同等もしくは高い予測性能が達成できることを確かめた．
講演PDFパスワード認証
論文PDFの閲覧にはログインが必要です。参加登録者の方は「参加者用ログイン」画面からログインしてください。あるいは論文PDF閲覧用のパスワードを以下にご入力ください。