転移機械学習
- 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
標準的な統計的機械学習法では,予測器の学習に用いられるデータが,将来のテスト段階で予測されるデータと同じ確率分布に従うと仮定しています.これは,訓練データを用いて学習された予測器が,将来現れるテストデータに汎化するための基本的な仮定です.しかし,近年の機械学習の応用では,この大前提が成り立たないことがよくあります.この問題に対処すべく,類似したタスクで使用されたデータを効果的に再利用する転移学習法,特に,重要度重み付けに基づいたアプローチを模索しています.
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
- Sugiyama, M. & Kawanabe, M. Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation, MIT Press, 2012. https://mitpress.mit.edu/books/machine-learning-non-stationary-environments
- Fang, T., Lu, N., Niu, G., & Sugiyama, M. Rethinking importance weighting for deep learning under distribution shift. In Advances in Neural Information Processing Systems 33, pp. 11996-12007, 2020. https://proceedings.neurips.cc/paper/2020/hash/8b9e7ab295e87570551db122a04c6f7c-Abstract.html
- Zhang, T., Yamane, I., Lu, N., & Sugiyama, M. A one-step approach to covariate shift adaptation. SN Computer Science, vol. 2, no. 319, 12 pages, 2021. https://link.springer.com/article/10.1007/s42979-021-00678-6
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