本論文では、データから得た特徴の細かさのレベルを表す粒度に着目する。そこで、特徴の粒度をその特徴ベクトルのバッチがなすクラスタの個数として定義し、特徴の多粒度性が機械学習のタスクに与える影響について分析を行う。そのために、明示的に指定したクラスタ数を持つ複数の特徴ベクトルを学習可能な新たなニューラルネットワークおよび正則化方法を提案する。提案ネットワークは内部に分岐構造を有し、それぞれ指定した個数で均等に分割されるよう正則化された複数の部分特徴ベクトルを学習する。クラス分類による評価実験では、教師なしで特徴を学習させた場合に通常よりも精度が向上することが確認された。また、幅広い粒度を持つことは必ずしも良い精度につながるとは限らないことが確認された。
