■概要：
交通手段の判別のような自動識別には通常機会学習法が用いられるが，これはブラックボックスで直接使用するだけでは満足な結果が得られない場合がある．また評価基準としてよく用いられるCV精度ではやや過剰な推定が行われる．更に検出器の性能上，利用できる手法に制限がかかる場合も存在する．そこで論文では，SVM(サポートベクターマシーン)の応用に焦点を当て，様々な観点から識別モデルの性能の比較を行っている．


■質疑：
羽藤：この論文で一番良い手法は．
Shafique：この論文ではSVMを色々工夫して適用している．手法間の比較についてはあまり行われていない．

羽藤：モデルサイズは組み込まれているのか．
Shafique：この研究では手段の判別をサーバー上ではなく，データを取得している携帯電話上で行っているため，消費メモリを抑える必要がある．

羽藤：自身の研究にはモデルサイズのコンセプトが含まれていないが，できるのか．
Shafique：判別に2種類あって，1つは収集したデータを元に別のコンピュータで判別を行うもの，もう1つは収集している携帯電話上で判別を行うものがある．前者ではメモリサイズよりも的中度が高いことが優先されるため，あまりモデルサイズは考慮されない．
羽藤：モデルサイズについても(自分の研究でも)考えてみるといい．
Shafique：やってみようと思う．

羽藤：自身の論文ではRandom forestを使っているが．
Shafique：SVMよりRandom forestの方がいい．

羽藤：プローブパーソンデータのようなデータを処理する場合，自動判別の手法が有効になってくるから関心は高い．

矢野：やり方を変えた割には適合度が変わっていない気がする．
Shafique：モデルサイズにも注目しているため，あまり適合度は変わっていないものもある．
矢野：6%適合度が上がったというのは大きいのか．
Shafique：サンプルの取り方により，結果に誤差があるため，大差はない．

若林：教師データはどのように取得しているのか．携帯電話で交通手段はどのように取得したのか．
Shafique：論文では書かれていなかったが，おそらくプローブパーソンのように携帯電話上で入力している．