確率ニューラルネットワーク（PNN）[1]は、分類やパターン認識の問題で広く使用されているフィードフォワードニューラルネットワークです。PNNアルゴリズムでは、各クラスの親確率分布関数（PDF）がパルゼンウィンドウとノンパラメトリック関数で近似されます。次に、各クラスのPDFを使用して、新しい入力データのクラス確率が推定され、ベイズの規則を使用して、事後確率が最も高いクラスが新しい入力データに割り当てます。この方法により、誤分類の確率が最小化されます。[2]このタイプの人工ニューラルネットワーク（ANN）は、ベイジアンネットワーク[3]とカーネルフィッシャー判別分析と呼ばれる統計アルゴリズムから派生しました。[4]これは1966年にDF Spechtによって導入されました。[5] [6] PNNでは、操作は4つの層を持つ多層フィードフォワードネットワークに編成されます。
- 入力層
- パターンレイヤー
- 合計層
- 出力層
レイヤー
PNNは分類問題でよく用いられます。[7]入力が存在する場合、第1層は入力ベクトルから学習入力ベクトルまでの距離を計算します。これにより、入力ベクトルが学習入力にどれだけ近いかを示す要素を持つベクトルが生成されます。第2層は、入力の各クラスへの寄与を合計し、確率ベクトルとして最終的な出力を生成します。最後に、第2層の出力に対する完全な伝達関数がこれらの確率の最大値を選択し、そのクラスに対しては1（正の識別）を、非対象クラスに対しては0（負の識別）を生成します。
入力層
入力層の各ニューロンは予測変数を表します。カテゴリ変数の場合、カテゴリ数がN個であればN-1個のニューロンが使用されます。これは、中央値を減算し、四分位範囲で割ることで値の範囲を標準化するものです。その後、入力ニューロンは隠れ層の各ニューロンに値を入力していきます。
パターンレイヤー
この層には、トレーニングデータセットの各ケースごとに1つのニューロンが含まれます。この層は、各ケースの予測変数の値と目標値を格納します。隠れニューロンは、ニューロンの中心点からテストケースまでのユークリッド距離を計算し、シグマ値を用いて ラジアル基底関数カーネルを適用します。
合計層
PNNでは、ターゲット変数の各カテゴリごとに1つのパターンニューロンが存在します。各トレーニングケースの実際のターゲットカテゴリは、各隠れニューロンに格納されます。隠れニューロンから出力される重み付け値は、その隠れニューロンのカテゴリに対応するパターンニューロンにのみ入力されます。パターンニューロンは、それぞれが表すクラスの値を加算します。
出力層
出力層は、パターン層に蓄積された各ターゲット カテゴリの加重投票を比較し、最大の投票を使用してターゲット カテゴリを予測します。
利点
多層パーセプトロンの代わりにPNNを使用することにはいくつかの利点と欠点がある。[8]
- PNN は多層パーセプトロン ネットワークよりもはるかに高速です。
- PNN は多層パーセプトロン ネットワークよりも正確です。
- PNN ネットワークは、外れ値に対して比較的鈍感です。
- PNN ネットワークは、正確に予測されたターゲット確率スコアを生成します。
- PNN はベイズ最適分類に近づきます。
デメリット
- PNN は、新しいケースを分類する際に、多層パーセプトロン ネットワークよりも遅くなります。
- PNN はモデルを保存するためにより多くのメモリスペースを必要とします。
PNNに基づくアプリケーション
- 雨水管の構造劣化をモデル化する確率的ニューラルネットワーク[9]
- 確率的ニューラルネットワーク法を用いたFTIR分光法に基づく胃内視鏡サンプル診断[10]
- 確率的ニューラルネットワークの集団薬物動態への応用[11]
- 確率的ニューラルネットワークによる白血病および中枢神経系胎児性腫瘍のクラス予測[12]
- 確率的ニューラルネットワークを用いた船舶識別[13]
- 無線アドホックネットワークにおける確率的ニューラルネットワークベースのセンサー構成管理。[14]
- 文字認識における確率的ニューラル ネットワーク。
- リモートセンシング画像分類[15]
参考文献
- ^ Mohebali, Behshad; Tahmassebi, Amirhessam; Meyer-Baese, Anke; Gandomi, Amir H. (2020).確率的ニューラルネットワーク：理論、実装、応用の概要. Elsevier. pp. 347– 367. doi :10.1016/B978-0-12-816514-0.00014-X. S2CID 208119250.
- ^ Zeinali, Yasha; Story, Brett A. (2017). 「競合的確率ニューラルネットワーク」. Integrated Computer-Aided Engineering . 24 (2): 105– 118. doi :10.3233/ICA-170540.
- ^ 「確率的ニューラルネットワーク」。2010年12月18日時点のオリジナルよりアーカイブ。2012年3月22日閲覧。
- ^ 「アーカイブコピー」（PDF） 。 2012年1月31日時点のオリジナル（PDF）からアーカイブ。 2012年3月22日閲覧。
{{cite web}}: CS1 maint: アーカイブされたコピーをタイトルとして (リンク) - ^ Specht, DF (1967-06-01). 「パターン認識のための多項式判別関数の生成」. IEEE Transactions on Electronic Computers . EC-16 (3): 308– 319. doi :10.1109/PGEC.1967.264667. ISSN 0367-7508.
- ^ Specht, DF (1990). 「確率的ニューラルネットワーク」.ニューラルネットワーク. 3 : 109–118 . doi :10.1016/0893-6080(90)90049-Q.
- ^ 「Probabilistic Neural Networks :: Radial Basis Networks (Neural Network Toolbox™)」www.mathworks.in . 2012年8月4日時点のオリジナルよりアーカイブ。2022年6月6日閲覧。
- ^ 「確率的および一般回帰ニューラルネットワーク」。2012年3月2日時点のオリジナルよりアーカイブ。2012年3月22日閲覧。
- ^ Tran, DH; Ng, AWM; Perera, BJC; Burn, S.; Davis, P. (2006年9月). 「雨水管の構造劣化モデル化における確率的ニューラルネットワークの応用」(PDF) . Urban Water Journal . 3 (3): 175– 184. Bibcode :2006UrbWJ...3..175T. doi :10.1080/15730620600961684. S2CID 15220500. 2017年8月8日時点の オリジナル(PDF)からアーカイブ。 2023年2月27日閲覧。
- ^ Li, QB; Li, X.; Zhang, GJ; Xu, YZ; Wu, JG; Sun, XJ (2009). 「[FTIR分光法に基づく胃内視鏡サンプル診断への確率的ニューラルネットワーク法の応用]」Guang Pu Xue Yu Guang Pu Fen Xi . 29 (6): 1553–7 . PMID 19810529.
- ^ Berno, E.; Brambilla, L.; Canaparo, R.; Casale, F.; Costa, M.; Della Pepa, C.; Eandi, M.; Pasero, E. (2003). 「確率的ニューラルネットワークの母集団薬物動態への応用」.国際ニューラルネットワーク合同会議論文集, 2003. pp. 2637– 2642. doi :10.1109/IJCNN.2003.1223983. ISBN 0-7803-7898-9. S2CID 60477107。
- ^ Huang, Chenn-Jung; Liao, Wei-Chen (2004). 「確率的ニューラルネットワークによる白血病および中枢神経系胎児性腫瘍のクラス予測への応用」 Neural Processing Letters 19 ( 3): 211– 226. doi :10.1023/B:NEPL.0000035613.51734.48. S2CID 5651402.
- ^ Araghi, Leila Fallah; d Khaloozade, Hami; Arvan, Mohammad Reza (2009年3月19日). 「確率的ニューラルネットワーク（PNN）を用いた船舶識別」（PDF） . Proceedings of the International MultiConference of Engineers and Computer Scientists . 2.香港（中国）. 2023年2月27日閲覧。
- ^ 「アーカイブコピー」（PDF） 。 2010年6月14日時点のオリジナル（PDF）からアーカイブ。 2012年3月22日閲覧。
{{cite web}}: CS1 maint: アーカイブされたコピーをタイトルとして (リンク) - ^ Zhang, Y. (2009). 「改良された確率的ニューラルネットワークに基づくリモートセンシング画像分類」. Sensors . 9 (9): 7516– 7539. Bibcode :2009Senso...9.7516Z. doi : 10.3390/s90907516 . PMC 3290485. PMID 22400006 .
