密度可変型自己組織化マップによる追加学習の実現法

「1. はじめに」Kohonenらが提案した自己組織化マップ（Self-Organizing Map：SOM）は, ニューラルネットワークのひとつで, 中間層のない2層型の教師なし競合近傍学習モデルである1, 2). SOMは, 多次元情報を可視化することができるため, 多変量データ解析への応用をはじめ, 近年では画像や音声の認識にも利用されるようになってきた. SOMの学習は, 大きく分けて「一括学習型」と「追加学習型」に分けることができる. 一般にSOMの学習と言えば, 前者の一括学習型を指すことが多く, 後に入力されるデータほど学習後に形成されるマップに大きな影響を与える学習方式となっている. このデータの入力順序への依存性を排除する方法として, バッチ型SOM（Batch-Learning Self-Organizing Map）が有名である3). 一方で, 追加学習型の学習方式をとるSOMは, 逐次的にデータが入力される場合に利用される.