2016 Fiscal Year Annual Research Report
Theory and Application of Information-Based Machine Learning
| Project/Area Number |
25700022
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
杉山 将 東京大学, 新領域創成科学研究科, 教授 (90334515)
|
|---|
| Project Period (FY) |
2013-04-01 – 2017-03-31
|
| Keywords | 機械学習 / クラス事前確率推定 / 次元削減 / 強化学習 / リーマン幾何 |
|---|
| Outline of Annual Research Achievements |
機械学習研究の本質は汎化能力の獲得にある．本研究では，情報量に基づく新しい機械学習の理論体系を構築し，実用的なアルゴリズムを開発することを目指している．今年度も，昨年度に引き続きは，様々な機械学習アルゴリズムを開発した．
データ集合が持つ自然な幾何構造を活かすことにより，より自然で有効な機械学習アルゴリズムが開発できると考えられる．そこで，リーマン幾何構造を活かした主成分分析アルゴリズム，定常部分空間解析アルゴリズム，モード探索型クラスタリングアルゴリズムを開発し，その有効性を計算機実験により示した．
非定常環境下での分類問題において，クラス事前確率の推定は重要な課題である．そこで，正例とラベルなしデータのみが与えられる状況でのクラス事前確率推定アルゴリズム，および，クラス事前確率変化下における半教師付き次元削減アルゴリズムを開発し，計算機実験を通してその有効性を確認した．
高次元の強化学習問題に対する有効なアルゴリズムが切望されている．そこで，高次元モデルベース型強化学習における次元削減アルゴリズム，および，高次元文脈情報を用いた政策探索型強化学習アルゴリズムを開発し，その有効性を計算機シミュレーションによって実証した．
多次元確率密度関数の微分の推定は，様々な応用可能性を持つ興味深い問題である．そこで，密度微分を密度を推定することなく直接推定できるアルゴリズムを開発し，マルチタスクに基づく改良法も与えた．また，その手法をモード回帰，非正規成分分析に適用し，実用的なアルゴリズムを開発した．
|
| Research Progress Status |
28年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
28年度が最終年度であるため、記入しない。
|
| Causes of Carryover |
28年度が最終年度であるため、記入しない。
|
| Expenditure Plan for Carryover Budget |
28年度が最終年度であるため、記入しない。
|
-
-
-
-
-
-
-
-
-
-
[Presentation] Policy search with high-dimensional context variables2017
Author(s)
Tangkaratt, V., van Hoof, H., Parisi, S., Neumann, G., Peters, J., & Sugiyama, M.
Organizer
Twenty-Ninth AAAI Conference on Artificial Intelligence (AAAI2017)
Place of Presentation
San Francisco, California, USA
Year and Date
2017-02-04 – 2017-02-09
Int'l Joint Research
-
-
-
-
-
