本論文では、過剰パラメータ化された回帰問題に対して、特異値分解に基づくしきい値処理を用いた回帰手法を提案している。
まず、最小ノルム最小二乗推定量を特異値分解に基づいて表現し、特異値に基づくしきい値処理を行うことで、過剰パラメータ化された回帰問題に適用可能な手法を導出した。具体的には、特異値の大きさに基づくしきい値処理(SSV)、出力情報を利用したクロスバリデーションによるしきい値選択(SCV)、ユニバーサルしきい値を用いたしきい値処理(SUT)、ソフトしきい値とハードしきい値を橋渡しするしきい値処理(SBT)の4つの手法を提案した。
次に、これらの回帰手法をセミ教師あり学習に適用することを検討した。具体的には、教師あり入力と教師なし入力の両方を用いてカーネル関数を構成し、過剰パラメータ化された回帰問題として定式化した。これにより、教師なし入力の情報を回帰器に取り入れることができる。
最後に、UCI リポジトリのデータセットを用いた実験を行い、提案手法の有効性を検証した。その結果、データセットによっては、提案手法が通常のリッジ回帰よりも優れた予測性能を示すことが分かった。一方で、教師なし入力の情報を活用する効果は明確ではなく、データセットに依存することが示された。
翻译成其他语言
从原文生成
arxiv.org
更深入的查询