発明が解決しようとする課題[発明の詳細な説明]から抜粋

上述の従来技術におけるLabel Propagationは、同じクラスタに属するデータポイントは同じ意味的なラベルを共有するという前提に基づき、データポイントへラベル付与をおこなう。具体的には、Label Propagationは、大量のデータポイントによって明らかになるクラスタ構造に基づき、ラベルが付与されたデータポイントからラベルが付与されていないデータポイントへスコアを伝搬させてラベル付与をおこなう。このため、Label Propagationは、データポイントの数が多いほど、より高い精度でラベル付与をおこなうことができる。 一方、Label Propagationは、データポイントの数が多いほど計算コストが高くなるという問題がある。すなわち、ラベル付与に用いるスコアは、コスト関数と呼ばれる関数を最小化する値に対応する。コスト関数に対する最適解は、データポイントから構成されるグラフ（例えばk-NN（k-Nearest Neighbor algorithm）グラフなど）の隣接行列の逆行列から求めることができる。 ここで、ｎをデータポイントの数とすると、グラフの隣接行列の大きさはＯ（ｎ^２）のオーダであるため、逆行列を求めるにはＯ（ｎ^３）の計算コストが必要になる。その結果、ｃをラベルの数とすると、データポイントへラベル付与をおこなうためには、Ｏ（ｎ^３＋ｃｎ^２）のオーダの計算コストが必要となる。そのため、データポイントの数が多くなると、ラベル付与の効率が低下する。なお、Ｏ（＊）は、ランダウ記号である。 そこで、Label Propagationは、高速にスコア計算を行うために、ベキ乗法を用いてスコアを繰り返し計算する。ベキ乗法によるスコア計算は、最適スコアに収束する性質を有する。しかし、繰り返し計算はスコアの残差が事前に設定した値より小さくなると終了するため、ベキ乗法により計算されたスコアは残差を含む。よって、ベキ乗法により計算されたスコアは、理論的スコアから乖離するため、ラベル付与の精度に問題がある。 本願が開示する実施形態の一例は、に鑑みてなされたものであって、ラベルが付与されていないデータポイントへラベルを高速かつ精度よく付与することを目的とする。

課題を解決するための手段[発明の詳細な説明]から抜粋

本願が開示する実施形態の一例によれば、例えば、ラベルが付与されていないデータポイントへラベルを高速かつ精度よく付与することができる。