| 研究課題/領域番号 |
19K11825
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分60010:情報学基礎論関連
|
|---|
| 研究機関 | 豊橋技術科学大学 |
|---|
研究代表者 |
渡辺 一帆 豊橋技術科学大学, 工学(系)研究科(研究院), 准教授 (10506744)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023年度)
|
| 配分額 *注記 |
4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2023年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2022年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2021年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2020年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2019年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
|
|---|
| キーワード | レート歪み関数 / 板倉・斎藤距離 / オンライン予測 / 局所変分近似 / 不感応パラメータ / 正則化パラメータ / L1トレンドフィルタ / 最適再構成分布 / ミニマックス予測 / ε不感応損失 / スパース推定 / 情報量規準 / 頑健性 / 変動二値情報源 / 一般化事後分布 / 経験ベイズ法 / 潜在変数モデル |
|---|
| 研究開始時の研究の概要 |
本研究では統計的機械学習法の性能を解析する学習理論研究や、その知見を応用した学習法の設計論の構築を行う。特に、ベイズ推測に基づく学習法であるベイズ学習を、情報理論の一分野であり歪み有りデータ圧縮の限界を明かにするレート歪み理論により捉えることで、その性能や限界を明らかにする。そして、ベイズ学習やその一般化において重要な構成要素である事前分布および事後分布の設計に関し、レート歪み理論による性能限界の特徴づけおよび限界に近い性能を実現する設計法を構築する。
|
| 研究成果の概要 |
機械学習法の性質を情報理論における圧縮限界から特徴づけ、学習法の設計論を構築するための部分課題として、逐次時系列予測、レート歪み関数を達成する最適再構成分布、損失関数における不感応性の推定、疎性に基づく推定における正則化パラメータの推定を研究し、それぞれ、二値データの変動生成確率の予測に対する近似最適性予測法の開発、板倉・斎藤歪み尺度に対してレート歪み関数を達成する再構成分布の解明、不感応パラメータの推定誤差の解析、効率的な近似推定法の構築などの成果が得られた。
|
| 研究成果の学術的意義や社会的意義 |
歪み有りデータ圧縮の限界であるレート歪み関数を達成する再構成分布を特徴づける例を追加しており、既存の結果との対比に用いることができる。再構成分布の最適化に対応する、ベイズの定理に基づく学習法は一般に計算困難性を伴う。具体的な時系列解析問題において効率的な近似法を構築し、その性質が実験的に、または一部理論的に明らかにされた。
|
