| 研究概要 |
本研究では,まず,代表的な帰納学習アルゴリズムを分析した後,帰納メソッド群を体系化し,各メソッドには仕様を与えて,最も具体的なメソッドにはソースコードも付与した,プロセスオントロジーを構築した.その後,それらのメソッドを組み合わせて,ユーザの与えた条件を満足する帰納アプリケーションを自動的に合成するシステムCAMLETを実装した.
次に,3種類の医療データベース(髄膜脳炎140レコード,細菌培養検査約2万レコード,膠原病約2万レコード)を利用して,CAMLETにより自動合成された帰納アプリケーションによって学習されたルールセットが,専門家である医師にとって,どの程度興味深いルールを生成できるかについて検討した.その結果,正解率だけの評価基準とボトムアップ的な合成プロセスでは,無意味なルールを多数生成する事が判明したので,正解率とルール数に依存した評価基準とトップダウン的な合成プロセスに改良し,再度,3種類の医療データベースを利用して同様の実験を行った結果,無意味なルールの学習を抑制することが確認できた.
最後に,ルールを多様な評価基準の下で評価するために,予測精度以外に,意外性,計算コスト,学習モード,コンパクト性,知識表現,理解容易性などの導入に関する基礎的な考察を行うとともに,相関ルールやベイジアンネット等のメソッドを組み込んでプロセスオントロジーを拡張することにより,新しいメタ学習システムの基本設計を行った.今後は,この基本設計を進めて,システムを完成させることが課題である.
|
