要約
自己組織化マップ（Self-Organizing Map, SOM）は、脳に着想を得たニューラルモデルであり、特に組み込みアプリケーションにおける教師なし学習において非常に有望です。しかし、複雑なデータセットを扱う際には効率的なプロトタイプの学習が困難です。本研究では、抽出された特徴量を使用することでSOMの性能を向上させる方法を提案します。具体的には、2つの異なるアプローチによる教師なし特徴量抽出のSOM分類精度について比較研究を行いました。1つは勾配ベースの学習を使用するSparse Convolutional Auto-Encoders（スパース畳み込みオートエンコーダー）を用いた機械学習アプローチ、もう1つはSpike Timing Dependent Plasticity（スパイクタイミング依存可塑性）学習を使用するSpiking Neural Networks（スパイキングニューラルネットワーク）を用いた神経科学アプローチです。SOMは抽出された特徴量で訓練され、その後、少数のラベル付きサンプルを使用して各ニューロンに対応するクラスでラベリングされます。本研究では、異なる特徴量抽出手法を使用して分類精度に及ぼす影響について調査し、特徴マップ、SOMのサイズ、およびラベル付き部分集合のサイズがどのように作用するかを検討しました。その結果、SOMの分類精度が+6.09％向上し、教師なし画像分類における最先端の性能に達しました。以上が翻訳となります。ご確認ください。