弱教師付き機械学習
- 1.2 データサイエンス
- 1.3 人工知能基礎理論
- 3.2 数物系科学
- 3.8 情報学
杉山 将
新領域創成科学研究科
教授
現在主流の機械学習手法では，完全な教師情報が付与された大量の訓練データを用いて予測器を学習します．しかし，高いラベル付けコストやプライバシーの問題から，完全な教師情報を得ることが困難な場合がよくあります．この問題を解決するために，弱い教師情報から分類器を学習するための汎用的な枠組みを提案しています．この枠組には，様々な弱教師付き学習問題が含まれており、経験リスク最小化に基づいた体系的な学習アルゴリズムを開発しています．また，この枠組は深層学習とも組み合わせることができ，高い汎化能力が実現可能です．
プロジェクトに関するURL
共同実施者
理化学研究所 革新知能統合研究センター
主な関連論文
- du Plessis, M. C., Niu, G., & Sugiyama, M. Analysis of learning from positive and unlabeled data. NeurIPS2014, pp. 703-711, 2014. https://papers.nips.cc/paper/2014/hash/35051070e572e47d2c26c241ab88307f-Abstract.html
- Lu, N., Zhang, T., Niu, G., & Sugiyama, M. Mitigating overfitting in supervised classification from two unlabeled datasets: A consistent risk correction approach. AISTATS2020, pp. 1115-1125, 2020. https://proceedings.mlr.press/v108/lu20c.html
- Sugiyama, M., Bao, H., Ishida, T., Lu, N., Sakai, T., & Niu, G. Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach, The MIT Press, to appear.
関連するSDGs項目
問い合わせ先
- 担当： 杉山 将
- メールアドレス： sugi[at]k.u-tokyo.ac.jp
※[at]を@に置き換えてください
- カテゴリナビ
