[发明专利]信息处理装置、信息处理方法以及程序

说明书

技术领域

本发明涉及信息处理装置、信息处理方法和程序，特别是涉及将具有在特征量空间中表示的特征量的数据分类成预定数目的类别中的任一个的信息处理装置、信息处理方法和程序。

背景技术

在机器学习的领域，有一个称作“分类”的问题。该问题在对数据被分类成的预定数目的类别进行定义的情况下，表现出这样的问题：基于数据的特征量来预测数据分别被分类成哪个类别。例如，在以图像数据为对象的机器学习中，以如下方式处置分类的问题：对包含特定物体的图像数据被分类成的类别进行定义，并基于图像数据的特征量来预测在各图像数据中包含哪个物体。

在分类中存在：通过根据学习数据创建分类器(classifier)来进行分类的所谓有监管分类；以及在没有学习数据的状态下进行分类的所谓无监管分类。作为有监管分类，已知例如支持向量机(SVM)等。另外，作为无监管分类，已知例如聚类分析。

此处，在有监管分类中，由于从已被分类成类别的数据中学习分类的标准，并通过反映该标准来对数据进行分类，因而分类的精度高。然而，在有监管分类中，难以将数据分类成数据未被分类成的类别。这是因为从数据未被分类成的类别中难以获取用于学习分类成类别的标准的学习数据。另一方面，在无监管分类中，可将数据分类成数据未被分类成的类别。然而，由于无监管分类不使用学习数据，因而与有监管分类相比分类的精度低。特别是在对具有高维度特征量的数据进行无监管分类时，由于称作维度诅咒(curse of dimensionality)的现象，即数据维度的升高导致一般化误差停止增强，分类的精度进一步降低。因此，当对具有高维度特征量的数据进行无监管分类时，可能存在这样的情形：使用主成分分析(PCA：Principal Component Analysis)或独立成分分析(ICA：Independent Component Analysis)等算法来进行维度压缩并由此降低特征量的维度。

在这样的分类中，开发了用于提高预测精度的技术。例如，在文献【Thomas G.Dietterich and Ghulum Bakiri，“Solving Multiclass Learning Problems via Error-Correcting Output Codes”，Journal of Artificial Intelligence Research，1995年，第2卷，第263-286页】中，记载了一种利用了纠错输出码(ECOC)的分类技术，纠错输出码通过使用冗余准备的分类器对各个分类器的错误进行纠正。另外，在文献【Gabriella Csurka等人的“Visual Categorization with Bags of Keypoints”，Proc.of ECCV Workshop on Statistical Learning in Computer Vision，2004年，第59-74页】中，记载了一种在图像数据中使用基于局部模式分布的、称作“Bag-of-keypoints”的特征量的分类技术。

发明内容