HOME / 研究展示 / いろんなデータから学習法自体を学習します
研究展示
データと学習の科学
01

いろんなデータから学習法自体を学習します

特徴量が異なるタスク群からのメタ学習

いろんなデータから学習法自体を学習します
どんな研究

深層学習で高性能を達成するためには膨大な学習データが必要です。本研究では、複数の異なるタスクのデータを活用することで、目的のタスクにおいては少量のデータでも高性能を達成する手法を考案しました。これにより例えば異なる工場でのデータからの学習が可能となります。

どこが凄い

ニューラルネットを用いた従来のメタ学習では、特徴量やラベルが異なるタスクのデータを同時に扱えませんでした。本研究では、特徴量やラベルが異なるタスクのデータを扱うことができるニューラルネットを設計し、それを活用したより柔軟なメタ学習を実現しました。

めざす未来

機械学習の適用を考える際、少量の学習データしか入手できない適用分野の場合は、機械学習技術を有効に活用することができません。本技術を発展させることで、機械学習技術の適用範囲を広げ、様々な分野で価値を生み出していくことをめざします。

いろんなデータから学習法自体を学習します
関連文献

[1] T. Iwata, A. Kumagai, “Meta-learning from Tasks with Heterogeneous Attribute Spaces,” in Proc. Neural Information Processing Systems (NeurIPS), 2020.

展示説明ムービー
Q&A
Q.質問/コメント A.回答
Q.質問/コメント

異なる特徴量を扱うことができるニューラルネットはどのように設計できるのでしょうか?

A.回答

ディープセットと呼ばれる集合を入力としてとることができるニューラルネットを活用しています。

Q.質問/コメント

転移学習とメタ学習は何が違うのでしょうか?

A.回答

転移学習では通常、学習時に目的のタスクのデータも与えられます。一方、メタ学習では学習時には目的のタスクは与えられず、未知のタスクに対する性能を向上させることを目指します。

Q.質問/コメント

なぜ異なる特徴量のデータからでもメタ学習できるのでしょうか?

A.回答

異なる特徴量であっても似た性質のものが含まれる場合、メタ学習できます。例えば、交通量や電気使用量は異なる特徴量ですが、曜日に依存するという性質は共通しているため、その共通性をもとに学習できる可能性があります。

ポスター
連絡先

岩田 具治 (Tomoharu Iwata) 上田特別研究室
Email: cs-openhouse-ml@hco.ntt.co.jp

他の研究展示はこちら