Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2019064598) REGRESSION APPARATUS, REGRESSION METHOD, AND COMPUTER-READABLE STORAGE MEDIUM
Latest bibliographic data on file with the International Bureau    Submit observation

Pub. No.: WO/2019/064598 International Application No.: PCT/JP2017/035745
Publication Date: 04.04.2019 International Filing Date: 29.09.2017
IPC:
G06N 99/00 (2010.01)
G PHYSICS
06
COMPUTING; CALCULATING; COUNTING
N
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
99
Subject matter not provided for in other groups of this subclass
Applicants:
NEC CORPORATION [JP/JP]; 7-1, Shiba 5-chome, Minato-ku, Tokyo 1088001, JP
Inventors:
ANDRADE SILVA, Daniel Georg; JP
Agent:
BRIGHTAS IP ATTORNEYS; 1-19-12, Ginza, Chuo-ku, Tokyo 1040061, JP
Priority Data:
Title (EN) REGRESSION APPARATUS, REGRESSION METHOD, AND COMPUTER-READABLE STORAGE MEDIUM
(FR) APPAREIL DE RÉGRESSION, PROCÉDÉ DE RÉGRESSION, ET SUPPORT DE STOCKAGE LISIBLE PAR ORDINATEUR
Abstract:
(EN) A regression apparatus10 that optimizes a joint regression and clustering criteria includes a train classifier unit and an acquire clustering result unit. The train classifier unit trains a classifier with a weight vector or a weight matrix, using labeled training data, a similarity of features, a loss function characterizing regression quality, and a penalty encouraging the similarity of features, wherein a strength of the penalty is proportional to the similarity of features. The acquire clustering result unit an acquire clustering result unit that, using the trained classifier, to identify feature clusters by grouping the features which regression weight is equal.
(FR) Selon l'invention, un appareil de régression qui optimise une régression conjointe et des critères de regroupement contient une unité d'entraînement de classificateur et une unité d'acquisition de résultat de regroupement. L'unité d'entraînement de classificateur entraîne un classificateur avec un vecteur de pondérations ou une matrice de pondérations, en utilisant des données d'entraînement étiquetées, une similarité de caractéristiques, une fonction de perte caractérisant la qualité de régression, et une pénalité encourageant la similarité de caractéristiques, une intensité de la pénalité étant proportionnelle à la similarité de caractéristiques. L'unité d'acquisition de résultat de regroupement utilise le classificateur entraîné pour identifier des groupes de caractéristiques en regroupant les caractéristiques dont la pondération de régression est identique.
front page image
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
African Regional Intellectual Property Organization (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Office (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (EPO) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Publication Language: English (EN)
Filing Language: English (EN)