| 研究概要 |
本年度では,特徴空間のタスク間知識移転方式を改良するとともに,クラス情報だけでなく,タスク情報を利用することで識別器のマルチタスク学習能力を拡張した.以下に成果をまとめる.
1.逐次マルチタスク学習問題に対し,過去のタスクで得られた特徴空間を新しいタスクに選択的に知識移転するとともに,知識移転された判別軸を効率よく追加学習するため,追加学習型再帰的フィッシャ線形判別(IRFLD)アルゴリズムを組み込んだ.つまり,入力データのクラス内・クラス間分散行列を知識移転された判別軸で張られた部分特徴空間に写像し,そこでIRFLDを適用することによって,知識移転した判別軸をオンラインで更新できるようにした.これまで,訓練データが入ってくるたびに知職移転する判別軸を選択していたが,この手続きがなくなることで学習の高速化が期待される.ベンチマーク・データを用いた実験結果から,知識移転した部分特徴空間のクラス分離性が向上し,学習速度も改善されることを確認した.
2.平成18～19年度基盤研究(C)において,過去に学習した識別器の知識を新しいタスクに移転し,少ない訓練事例で高い汎化能力が得られるマルチモジュール・マルチタスク学習モデルを開発した.これに対し,昨年度の研究において,一つのニューラルネット識別器で複数タスクを学習できるよう改良したが,本年度では,クラス情報だけでなく,タスク情報が与えられたときでも,それを有効に利用できるよう拡張した.これにより,特に1タスク当たりの訓練データ数が少ない場合において,タスク変動検知性能とタスク分類精度が改善された.
|
