|
令和2年度は，複数の教師なしデータに対する特徴抽出法（以下，教師なし特徴抽出法）を包括する新たな枠組みを提案した．教師なし特徴抽出法は，十分な量の教師ありデータの取得が困難な状況における解決策の１つとして期待されており，重要な研究課題である．
従来の教師なし学習と異なり，この枠組みでは入力データに加え，補助データと呼ばれるデータを使用して特徴抽出を行う．実践的に，補助データの取得は困難ではなく，入力データから作成可能な場面が多々ある．時系列データの例では，時刻 t におけるデータを入力データとすると，時刻 t より前の過去のデータを補助データとして用いることができる．そして，提案した枠組みでは，入力データと補助データに関連した確率密度関数の比の推定を通じて，入力データに潜む特徴を学習する．一見，発見的なアプローチにも見えるが，本研究では，提案したこの教師なし特徴抽出法の枠組みが，前年度に取り組んだ非線形独立成分分析に加えて，近年再注目されている相互情報量最大化や非線形部分空間推定といった複数の内容を包括的に含む枠組みであることを理論的に示した．さらに，提案した枠組みに基づき，外れ値に頑強な特徴抽出の実践手法を提案した．特に，外れ値に対する頑強性を理論的に調査し，提案した実践手法はニューラルネットワークを用いた場合でも外れ値に頑強であることを示唆する結果を得ている．また，非線形独立成分分析における原信号推定タスクと学習した特徴を用いた線形識別タスクを通じて，提案した実践手法の有効性を数値実験により確認した．
|
