|
本研究成果における学術的な意義は，学習データが比較的少ない場合におけるランダムフォレストの有効性を示した点にある．現在有効とされるニューラルネットに基づく手法は大量の学習データを必要とするが，本研究の対象では大量のデータが用意できないため，そうした場合にはランダムフォレストの方が効果的であることを示した．また，機械学習における不均衡データに問題に対しても，漸進的アンサンブルランダムフォレストという手法を開発することにより，新たな解決策を示した．
また，これまで取り組まれて来なかった法令や議会会議録の自動要約について成果を上げた点に，本研究の社会的意義がある．
|
