弱教师付き机械学习

1.2 データサイエンス
1.3 人工知能基礎理論
3.2 数物系科学
3.8 情報学

杉山将

新领域创成科学研究科

教授

现在主流の机械学习手法では，完全な教师情报が付与された大量の训练データを用いて予测器を学习します．しかし，高いラベル付けコストやプライバシーの问题から，完全な教师情报を得ることが困难な场合がよくあります．この问题を解决するために，弱い教师情报から分类器を学习するための汎用的な枠组みを提案しています．この枠组には，様々な弱教师付き学习问题が含まれており、経験リスク最小化に基づいた体系的な学习アルゴリズムを开発しています．また，この枠组は深层学习とも组み合わせることができ，高い汎化能力が実现可能です．

プロジェクトに関する鲍搁尝

共同実施者

理化学研究所　革新知能统合研究センター

主な関连论文

du Plessis, M. C., Niu, G., & Sugiyama, M. Analysis of learning from positive and unlabeled data. NeurIPS2014, pp. 703-711, 2014. https://papers.nips.cc/paper/2014/hash/35051070e572e47d2c26c241ab88307f-Abstract.html
Lu, N., Zhang, T., Niu, G., & Sugiyama, M. Mitigating overfitting in supervised classification from two unlabeled datasets: A consistent risk correction approach. AISTATS2020, pp. 1115-1125, 2020. https://proceedings.mlr.press/v108/lu20c.html
Sugiyama, M., Bao, H., Ishida, T., Lu, N., Sakai, T., & Niu, G. Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach, The MIT Press, to appear.