| 研究課題/領域番号 |
12J09511
|
|---|
| 研究種目 |
特別研究員奨励費
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 国内 |
|---|
| 研究分野 |
知能情報学
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
大岩 秀和 東京大学, 情報理工学系研究科, 特別研究員(DC1)
|
|---|
| 研究期間 (年度) |
2012-04-01 – 2015-03-31
|
| 研究課題ステータス |
完了 (2014年度)
|
| 配分額 *注記 |
3,000千円 (直接経費: 3,000千円)
2014年度: 1,000千円 (直接経費: 1,000千円)
2013年度: 1,000千円 (直接経費: 1,000千円)
2012年度: 1,000千円 (直接経費: 1,000千円)
|
|---|
| キーワード | 機械学習 / 言語処理 / 教師あり学習 / 人工知能 / 認知バイアス / オンライン学習 / スパース正則化 / ビッグデータ / 特徴選択 / 確率的最適化 / 効用関数 / 時系列データ / ストリームデータ / 状態空間モデル / 分類問題 |
|---|
| 研究実績の概要 |
1. 人間の授かり効果バイアスを考慮したストリームデータ処理アルゴリズムの改良
オンライン学習や確率的学習の枠組みでは、データを受け取る度に予測ルールが逐次的に更新される。この性質のため、過去に正答したデータが再度出現した際に、予測を誤る事がある。人間は授かり効果と呼ばれる認知バイアスを持つことが知られており、この時、効用を著しく損なうことが示唆される。
本研究では被験者実験による、授かり効果による効用損失の実証を始めに行った。次に、授かり効果に基づく損失関数を新たに数理モデル化し、これを導入した目的関数をオンライン学習および確率的学習の枠組みにおいてそれぞれ定式化した。さらに、両者の枠組みに対してこの目的関数値を動的に最適化するアルゴリズムを導出した。最後に、理論解析や実データを用いた実験により、授かり効果を伴う環境下での目的関数最大化問題において、提案アルゴリズムは未知データに対する予測精度を低下させること無く，授かり効果による損失を抑えられることを示した。本研究の貢献をまとめた論文は人工知能分野におけるtop-tier国際会議であるAAAI2014に採択され、口頭発表およびポスター発表を行った。
2. 機械学習理論解析における貢献と言語処理分野への応用
上記に加え、多様な性質を持つデータの混合からなる異種混合データより、効率的な分類・回帰・その他の教師あり学習を実現するための枠組みである、異種混合学習の領域における研究を行った。本研究の貢献は、機械学習分野におけるtop-tierの国際会議であるNIPSに採択され、その貢献が認められた。また、機械学習の主な応用先である自然言語処理分野に対しても、二項関係解析の面から研究を推し進めた。この貢献を論文としてまとめ、COLINGと呼ばれる言語処理分野の国際会議に論文として採択された。
|
| 現在までの達成度 (段落) |
26年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
26年度が最終年度であるため、記入しない。
|
