| 研究概要 |
(1)これまでのILPシステムにおける仮説探索アルゴリズムに遺伝的アルゴリズムの考えを導入し、分類精度の高い学習システムを構築した。未知事例の予測精度の高い解は、必ずしも訓練事例で一番正解率の高い解ではなく、訓練事例である程度の正解率を達成している局所解のうちのいずれかと予想される。共生進化の多様性から得られる複数の解候補が予測精度の向上に寄与すると考えに基づき、共生進化に基づくILPの未知事例分類法を提案した。(2)ILPシステムへの入力として与えられる背景知識の一部を自動的に求め、これを繰り返すことで、背景知識の斬新的な構成法を提案した。これまでに背景知識の斬新的な構成に関して、実験コストを削減することを基準とした研究が行われてきた。これは学習精度の向上には寄与しない。これに対して、本方法は発想推論を援用することで、仮説の導出に直接・間接的に関わる背景知識の一部を自動的に求めることが可能であり、学習精度の向上に寄与するものである。本方法を未知事例がどのクラスに分類されるかという分類問題(特に、突然変異性であるかどうかを同定するILPの標準問題)に適用した結果、非常に少ない背景知識からでも高い予測精度を実現することに成功した。(3)ILPのもう一つの新しい方法論として、誤分類の予測と修正という研究を行った。ここでいう誤分類とは、エキスパートシステムのような経験的知識を使って分類する場合の分類先の誤りのことをいう。一般に、エキスパートシステムは専門家並みの診断や分類を行うが、その精度は100%ではありえない。本研究は、こうした点に関して,エキスパートシステムの誤分類をサポートする目的で、誤分類を事前に予測し、正しく修正するためのルールを誤分類のサンプルから生成するものである。本方法を英単語の品詞タグ付け問題に応用したところ、この問題に対して現在利用されているBrillのタグ付けシステムよりも精度の高い分類結果が得られた。
|
