03 |
複数のAIがどう寄れば文殊の知恵 ?汎化性能を向上させるためのベイズ的アンサンブル学習 ![]() |
---|
どんな研究 |
機械学習を用いた予測の際、予測値に加えてその確からしさの評価が重要になる場合があります。確からしさの評価は、例えば予測が信頼できるのかの判断基準や、意思決定問題などで広く活用されています。本研究では複数の学習モデルを使って、ニューラルネットワークなどの複雑なモデルで確からしさを効率良く計算する手法を考案しました。 |
---|---|
どこが凄い |
これまでも複数のモデルを用いた予測の確からしさの評価は機械学習で広く行われてきましたが、どのように複数のモデルを用意すればよいのかは理論的に不明でした。本研究では、特に未知のデータに対する予測の確からしさを複数のモデルを用いて表現するための学習方法を理論的に導出しました。 |
めざす未来 |
予測の確からしさは、機械学習を安全に用いる指針を与える他、実験計画法でのより有用なデータ収集に活用されるなど自然科学分野等で重要な役割を果たします。本研究を発展させることで、複数のモデルによる確からしさの評価をより簡単に実現できるようにし、より機械学習の適用範囲を広げることをめざします。 |

[1] F. Futami, T. Iwata, N. Ueda, I. Sato, M. Sugiyama, “Loss function based second-order Jensen inequality and its application to particle variational inference,” in Proc. Neural Information Processing Systems (NeurIPS), 2021.
二見 太(Futoshi Futami) 上田特別研究室
Email: cs-openhouse-ml@hco.ntt.co.jp