著者

荻野 広樹 吉田 哲也

出版者

情報処理学会

雑誌

研究報告数理モデル化と問題解決(MPS) (ISSN:21862583)

巻号頁・発行日

vol.2011, no.17, pp.1-6, 2011-02-28

---

本稿では,Non-negative Matrix Factorization (NMF) が局所表現に対応する特徴ベクトルで張られる特徴空間においてデータを近似して表現することに着目し,近似表現に用いる特徴空間が類似するという転移仮説に基づき,特徴空間を保存することにより転移学習を実現する手法を提案する.提案法では元ドメインにおいて NMF を用いて学習した特徴ベクトルからトピックグラフを構築し,NMF における目的関数に特徴空間の類似性を表現する正則化項を追加した目的関数を定義し,この目的関数の最小化を行うアルゴリズムを適用して転移学習を行う.提案する正則化項が両ドメインでのトピックグラフの類似性の表現に対応し,また,トピックグラフに対するグラフラプラシアンに対応することを示す.さらに,提案アルゴリズムの収束性を示す.提案法を文書クラスタリングにおける転移学習に適用し,提案法の効果を示すとともに他手法との比較を通じて有効性を示す.We propose a method called Topic Graph based NMF for Transfer Learning (TNT) based on Non-negative Matrix Factorization (NMF). Since NMF learns feature vectors to approximate the given data, the proposed method tries to preserve the feature space which is spanned by the feature vectors to realize transfer learning. Based on the learned feature vectors in the source domain, a graph structure called topic graph is constructed, and the graph is utilized as a regularization term in the framework of NMF. We show that the proposed regularization term represents the similarity between topic graphs in both domains, and that the term corresponds to graph Laplacian of the topic graph. Furthermore, we propose an extended learning algorithm based on the standard multiplicative update rules and prove its convergence. The proposed approach is evaluated over document clustering problem, and the results indicate that the proposed method improves performance via transfer learning.