| 研究課題/領域番号 |
21K12032
|
|---|
| 研究機関 | 九州大学 |
|---|
研究代表者 |
末廣 大貴 九州大学, システム情報科学研究院, 助教 (20786967)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| キーワード | データサンプリング / オンライン予測 / 組み合わせ最適化 / ノイズラベル |
|---|
| 研究実績の概要 |
データサンプリング問題を，オンライン組み合わせ予測を用いて行う方法を開発した．具体的には，ニューラルネットワークのパラメータ更新ごとに逐次「望ましいデータ」をサンプリングする問題を，データ選択とニューラルネットワークによるフィードバックが繰り返されるオンライン予測問題と捉える．これは，フィードバックを適当に設定することでオンラインk-set問題に帰着することができ，効率的かつ効果的にデータ選択をすることが可能となる．応用として，ノイズデータ回避問題を考え，既存手法よりも計算量，精度両面において向上が確認できた．従来手法の多くは，２つのニューラルネットワークを同時に学習する必要があり，多くの計算量を要するが，提案法は通常の学習よりも少ない計算量，およびサンプル数に対して列線形時間でデータサンプリングを行うことができる．また，オンライン予測におけるリグレット最小化の理論をもとに，ノイズデータの回避率について，理論性能を導出した．結果は，国際ジャーナルに投稿予定である．また，学習器を所望の性能に制御する（性能を下げる）問題を考え，提案法を適用した．具体的には，学習データの適当な部分集合に対しラベルをフリップさせることで，学習器を所望の性能に低下させる．この「学習データの適当な部分集合」の選び方を，提案法により行った．結果は国内研究会で発表し，今後さらに実用性を強化して国際会議に投稿予定である．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
データサンプリングの統合的枠組みを提案し，実応用の結果は従来研究の性能を上回っており，研究の進捗は順調と言える．理論性能保証に関しても，ノイズラベルデータに対する応用について示すことができており，一般的な解析に向けて順調に進展している．
|
| 今後の研究の推進方策 |
まず，現状の結果をまとめ，国際会議やジャーナルに投稿を行う．学習器の性能制御に関する応用については，実アプリケーションを検討し，実験を行う．今後はさらに応用先を検討，拡大し，実課題における問題点をもとに，統合的枠組みの改善に取り組む．
|
| 次年度使用額が生じた理由 |
COVID-19 により在宅勤務が増加し，自宅でのPCでの作業が増え，大学におけるPCのリプレイスの必要性が急務でなかった点（物品費）．また，同じくCOVID-19により，学会出張がなかったため（旅費）．
|
