|
研究キーワード ニューラルネットワーク
,クリフォード代数
,特異点
,四元数
,複素数
経歴 2024年4月 - 現在 東京女子大学 現代教養学部 数理科学科 情報数理科学専攻 教授
2023年4月 - 2024年3月 東京女子大学 現代教養学部 数理科学科 数学専攻 教授
2020年4月 - 2023年3月 立教大学大学院 人工知能科学研究科 特任教授
2001年4月 - 2021年3月 国立研究開発法人 産業技術総合研究所
2006年4月 - 2008年3月 大阪大学大学院 理学研究科 数学専攻 招聘教授
学歴 1983年4月 - 1985年3月 筑波大学大学院 修士課程 理工学研究科
1979年4月 - 1983年3月 筑波大学 第一学群自然学類 数学主専攻
論文 Tohru Nitta    Nonlinear Theory and Its Applications, IEICE 14(2) 175-192 2023年4月 [査読有り]
Tohru Nitta    Proceedings of the 2022 International Symposium on Nonlinear Theory and its Applications (NOLTA2022) 248-251 2022年12月 [査読有り]
Y. Okawa   S. Kanoga   T. Hoshino   T. Nitta    Proceedings of the 44th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC2022) 3232-3235 2022年7月 [査読有り]
Tohru Nitta    arXiv Preprint arXiv:1806.04884v3 2022年5月
Y. Okawa   T. Nitta    Proceedings of 13th Asia Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC) 187-192 2021年12月 [査読有り]
書籍等出版物 T. Nitta(担当:分担執筆, 範囲:"N-Dimensional Vector Neuron and Its Application to the N-Bit Parity Problem", pp.59-74) Wiley-IEEE Press 2013年 |
T. Nitta(担当:分担執筆, 範囲:"Widely Linear Estimation with Geometric Algebra'', pp.293-308) Pennsylvania, Information Science Reference, USA 2013年 |
T. Nitta(担当:分担執筆, 範囲:"Ability of the 1-n-1 Complex-Valued Neural Network to Learn Transformations'', pp.566-596) Pennsylvania, Information Science Reference, USA 2011年 |
Tohru Nitta(担当:編集) Information Science Reference, Pennsylvania, USA 2009年2月 (ISBN:9781605662145) |
T. Nitta(担当:分担執筆, 範囲:"Complex-Valued Neural Network and Complex-Valued Back-Propagation Learning Algorithm'', pp.153-221) Elsevier, Amsterdam, The Netherlands 2008年 |
講演・口頭発表等 新田徹    東京女子大学学会 数学部会 2022年12月7日 [招待有り]
大河勇斗   新田徹    東北大学 電気通信研究所 共同プロジェクト研究会 「高次元・時空間ニューロダイナミクスとそれに基づくシステム構築への展開」 2022年3月7日
MISC 田中 敏雄   西田 健次   稲吉 宏明   新田 徹    電子情報通信学会技術研究報告. NC, ニューロコンピューティング 99(58) 33-40 1999年5月 海馬に関する形態学的構造と生理学的知見に基づいて構成した、海馬の三次元神経回路による連想記憶モデルを提案する。このモデルは、海馬の垂直方向の結線を考慮し、CA1には直交パターンの復号化と関係連合の学習の2つの機能があり、海馬台には関係の復号化の機能があるとしている。このモデル化により、連想記憶の基本である1対多、多対多、多対1の連想や慨念の形成ができることを計算機シミュレーションによって示す。また、時系列の連想・連合機能があることを示す。
稲吉 宏明   田中 敏雄   西田 健次   新田 徹    全国大会講演論文集 58 251-252 1999年3月
西田 健次   田中 敏雄   新田 徹    情報処理学会研究報告計算機アーキテクチャ(ARC) 1997(76) 161-166 1997年8月 人間の記憶は、次々と新しい事例を記憶し、それを失うことなく類似の事例をまとめて概念化していくことができる。そして、頻繁に利用される記憶は想起しやすくなるなどの優れた機能を持っている。また、人間の記憶には、嬉しかった事悲しかった事など、何らかの感情を伴った事例は記憶されやすいという特徴がある。本稿では、感情の記憶における働きに着目し、感情を記憶に対する制御信号と捉えた感情記憶システムを提案する。感情記憶システムでは、感情の活性化により記憶事例の獲得や記憶の概念化が実現でき、学習により頻繁にア...
新田 徹   古谷 立美    全国大会講演論文集 42 145-146 1991年2月 本稿では、従来のニューラルネットワークの結合の重みと各ノードが持つしきい値を複素数に拡張し、複素パターンに対する自然な学習を可能にするバックプロパゲーション学習アルゴリズム(以下、複素BPと呼ぶ)を提案する。その学習収束性については、甘利[1]による学習識別理論を複素数に拡張することによって保証される。さらに、従来のBP[2]には見られない図形変換能力があることを確認し、そのふるまいと複素解析における一致の定理との関係について述べる。
古谷 立美   秋山 泰   田中 敏雄   新田 徹    全国大会講演論文集 42 149-150 1991年2月 本論文ではフィードバックリンクを持つ多層ニューラルネット(以下、FMネットと略)を提案する。これは相互結合型の血種であるが、相互接続が限定されており、バックプロパゲーション(BP)学習が使える他、意図的に安定点を作り易いという特長がある。以下では、先ずFMネットの構成を示し、次に典型的な利用形態と学習法を示す。
|
|
|