| 研究課題/領域番号 |
17K12653
|
|---|
| 研究種目 |
若手研究(B)
|
| 配分区分 | 基金 |
|---|
| 研究分野 |
統計科学
|
|---|
| 研究機関 | 東京大学 (2020-2022)
国立研究開発法人理化学研究所 (2017-2019) |
|---|
研究代表者 |
熊谷 亘 東京大学, 大学院工学系研究科(工学部), 特任助教 (20747167)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2023-03-31
|
| キーワード | 転移学習 / メタ学習 / パラメータ転移 |
|---|
| 研究成果の概要 |
第一の主結果として，パラメトリックなモデルをドメイン間で転移する状況における理論バウンドを導出した．特に特徴抽出器として複雑なパラメトリックモデルを取ることもでき，深層ニューラルネットやスパース符号化を理論的に取り扱うことができるものである．第二の主結果として，同変性とよば れる代数的な性質を加味した場合のメタ学習器の普遍性を示した．同変性はデータ処理や自然界の過程で自然に現れる性質であり，同変的なニューラルアーキテ クチャによる処理により学習を効率化させることができるという利点がある．第三の主結果として，同時分布に関する期待リスクの差の分解定理を導出した．
|
| 自由記述の分野 |
人工知能
|
| 研究成果の学術的意義や社会的意義 |
初めに学術的意義について述べる．転移学習は現在の機械学習や人工知能の研究において欠かせない技術である．本研究により，転移学習の理論的側面の一端が明らかになり，効率的なモデルの構築や転移学習手法の構築に資することが期待できる．特にメタ学習において同変性を用いた新規のモデルを提案したが，これはデータ内の対称性という代数的性質を学習の効率化に結びつけるために重要な結果と言える．
次に社会的な意義について述べる．転移学習技術は多数のドメインでの学習をサポートするもので，幅広い応用で成功を収めている．本研究結果は今後の転移学習の応用においてその理論的基盤の構築に貢献するものである．
|
