| Project/Area Number |
23K24909
|
|---|
| Project/Area Number (Other) |
22H03653 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61030:Intelligent informatics-related
|
|---|
| Research Institution | The Institute of Statistical Mathematics |
|---|
Principal Investigator |
日野 英逸 統計数理研究所, 先端データサイエンス研究系, 教授 (10580079)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
藤木 淳 福岡大学, 理学部, 教授 (10357907)
赤穗 昭太郎 統計数理研究所, 大学統計教員育成センター, 特任教授 (40356340)
村田 昇 早稲田大学, 理工学術院, 教授 (60242038)
|
|---|
| Project Period (FY) |
2024-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥16,510,000 (Direct Cost: ¥12,700,000、Indirect Cost: ¥3,810,000)
Fiscal Year 2026: ¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
Fiscal Year 2025: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2024: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2023: ¥3,380,000 (Direct Cost: ¥2,600,000、Indirect Cost: ¥780,000)
Fiscal Year 2022: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 情報幾何学 / 転移学習 / 機械学習 / 情報幾何 |
|---|
| Outline of Research at the Start |
機械学習の諸手法を実問題に適用することを考えるとき、学習データと実運用データの性質が異なる場合が多い。このギャップを埋め、機械学習を広げるために転移学習が必要である。本研究では転移学習のメカニズムを情報幾何学から解明し、共変量シフトやターゲットシフトの問題を幾何学的に統一的に理解する。新しいアルゴリズムを開発し、知識転移の条件を分析し、転移学習の新しい方法を構築する。地球科学や脳神経科学などの現実データへの応用を通じて、地域性・個別性の高いデータから普遍的法則を抽出する新たな方法論を提供することを目指す。
|
| Outline of Annual Research Achievements |
2024年度は、情報幾何学に基づく転移学習の理論解析とアルゴリズム開発を中心に、計画課題に沿った複数の成果を挙げた。まず、確率分布空間上の幾何構造に基づく非平衡輸送問題の定式化とその解法を提案し、それを因果推論に応用した。また、一昨年度の共変量シフトの情報幾何的解析と関連して，重み付き損失最適化に関するサーベイ論文を発表した．さらに、ターゲットデータ生成を伴う分布適応として、拡張されたSobolev計量によりグラフ上の勾配流を構築し、不均衡かつ新規変数が観測された場合でも有効な転移学習を可能とする理論的枠組みを確立した。さらに、正規化フローに基づく段階的ドメイン適応の方法論を提案した。これらの成果は、課題2「勾配流によるターゲットデータ拡張と学習可能性」の実現に直結するものである。以上の成果は、いずれも学術論文あるいは国際会議にて発表され、転移学習理論における幾何的手法の有効性と一般性を支持する結果となった。
また、離散確率モデルの情報幾何学的解析を行い、具体的には行列式点過程モデルの幾何構造を明らかにすることができた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
理論的進展は当初の想定以上のペースで進んでおり、正規化フローを用いた段階的転移学習の理論と方法論、新規観測変数が発生した場合の最適輸送に基づく転移学習の方法論等の成果を得た。地球化学における応用についても一定の成果は得られたが、研究計画の後半に入ったため、出口を意識した研究に注力する必要があると認識している。
|
| Strategy for Future Research Activity |
これまでと同様に理論研究を進めるとともに，開発したフレームワークの展開に務める．理論的研究としては，既にフローに基づく幾何学的転移学習に関する成果を複数得ているため，以降は離散確率モデルの幾何構造の解析や，離散確率モデル同士の距離尺度の開発等を通して幾何構造と情報・知識転移の関連を研究する．応用面では，地球化学，特に海洋漂流物などの具体的な問題に対して開発済みの手法を適用し，その有用性を実問題で検証・展開する．
|
