: GRUFF椅子データベースをテストする
: 実験方法
: 実験方法
このセクションではOMLET学習アプローチを要約し、我々の実験のために使った学習パラメータのアルゴリズムを論じる。OMLETはルールベースで、トレーニング例と全てのトレーニング例目標値の知識プリミティブ測定値を読む。次に、それぞれの例のための知識プリミティブが、トレーニング例がラベル付けされた(サブ)カテゴリーのメンバーであることを証明するために、ルールベースでチェックされる。全てのサブカテゴリー依存度が決定され、学習レベルがルールベースで定義されたそれぞれの(サブ)カテゴリーに割り当てられる。OMLETは全てのレベルの1カテゴリーのメンバーシップ関数を学び始める。最初の学習エポックは、メンバーシップ関数の最初の推測を作るために使われ、そして次にOMLETは1000の追加のトレーニングエポックを繰り返す。0.15の学習レートが1000トレーニングエポックに使われる。1000トレーニングエポックの後、レベル1のカテゴリーのためのもっとも良い範囲パラメータ(最も低い全体のエラーをもたらす)は、保存され固定される。カテゴリー定義の木のすべての範囲が学ばれるまで、1000トレーニングエポックが、レベル3カテゴリーによってフォローされるまで、レベル2カテゴリーの間を繰り返す。若干の事前実験では、OMLETは200と900のトレーニングエポックの間いつでも、カテゴリーのそれぞれのレベルで低い全体のエラーに集中した。それ故、カテゴリーレベル毎に1000エポック訓練することに決定する。
OMLETシステムの行うタスクは、トレーニングで使われていない物体を認識するために訓練されたシステムを使うことである。システムパフォーマンスの1つの測定値が、テスト例の上に観察されたエラーである。テスト例のエラーは、評価測定値の理想的なものと現実の物の間の違いの絶対値として計算される。トレーニング/テストセットは2つの方法で配置される:トレーニングとテストセットの、全てのラベル付けされたデータのランダムな分割をし、一つ抜き出してテストする。最初のケースで、与えられた大きさのトレーニングセットのために、10トレイン/テストセットの組が、ランダムに分割された全てのラベル付けされたデータによって作られる。一つのテストセットのエラーは、全てのテスト例の平均のエラーである。与えられた大きさのトレーニングセットの結果は、10個のエラーの平均としてレポートされる。一つ抜き出してのテストでは、データセットの一つの例がトレーニングセットから全ての残っているサンプルのテストのために使われた。これは、テストセットとしてデータ中でそれぞれの例を使って繰り返し、全てのテスト例の平均エラーとしてレポートされる。トレーニングセットサイズに対する例毎の平均エラーは、10,20,30、...、N−1サンプルのトレーニングセットの間プロットされる。N-1トレーニング例の点は一つ抜き出すテスト結果を意味する。
SATO Yoshihiro
平成12年10月26日