情報処理学会 第78回全国大会講演要旨

正準相関分析(CCA)は, 2つの多次元連続値確率変数について線形射影を行うことで, 高い相関を持つ線型部分空間の対を見出す手法である. 確率変数が3つ以上存在するとき, 射影した全ての確率変数対の相関を同時に最大化する線形射影を求める手法は, 一般化正準相関分析(GCCA)と呼ばれる. 一般に, マルチタスク学習の観点において各タスクが類似している時には, 対応する各学習器が共通要因を獲得することで性能が上がることが期待される. これは, GCCAにおいて入力の確率変数の数を増やすことにより, それぞれの相関がより大きくなるような, 各確率変数対の射影が求まることに対応する. 本研究では, Deep Learningのモデルを用いてCCAを非線形拡張した, 深層正準相関分析(Deep CCA)について, GCCAの最大化基準を取り入れた深層一般化正準相関分析(Deep GCCA)を提案する.