データと学習の科学
複数の問題に共通して重要な情報の組合せを発見
～共通因子を効率的に学習する低ランク回帰技術：MOFM～
どんな研究
今まで一つの目的変数の予測に限られていた「FactorizationMachines」を複数の目的変数の予測に拡張した研究です。提案法はデータを表す特徴から各目的変数に対して有用な組合せを見つけて高精度なモデルを作ります。
どこが凄い
提案法は、各目的変数に共通の基底を用いて特徴の組合せを表現し、重みを求めるため、次元数が膨大になっても効率的に学習できます。また、初期値に依存せず大域的最適解を得られることが理論的に保証されています。
めざす未来
応用先として、医療診断、推薦システム、遺伝子解析などに利用可能です。今後は、理論的性質 (表現力、汎化能力など) に関する理解を深め、提案法を再帰的に適用することで深層学習での効率的な計算に活用していきます。
関連文献
- [1] M. Blondel, A. Fujino, N. Ueda, “Convex Factorization Machines,” in Proc. European Conference on Machine Learning and Principles and Practice
of Knowledge Discovery in Databases, 2015.
[2] M. Blondel, V. Niculae, T. Otsuka, N. Ueda, “Multi-output Polynomial Networks and Factorization Machines,” in Proc. Neural Information Processing Systems, 2017.
ポスター
アイコンをクリックすると、展示ポスターのPDFが開きます。PDFの表示にはAdobe Acrobat Reader等のPDF閲覧表示が必要です。
当日の様子
展示代表者
ブロンデル マチュー
上田特別研究室
上田特別研究室