転移机械学习

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

标準的な统计的机械学习法では，予测器の学习に用いられるデータが，将来のテスト段阶で予测されるデータと同じ确率分布に従うと仮定しています．これは，训练データを用いて学习された予测器が，将来现れるテストデータに汎化するための基本的な仮定です．しかし，近年の机械学习の応用では，この大前提が成り立たないことがよくあります．この问题に対処すべく，类似したタスクで使用されたデータを効果的に再利用する転移学习法，特に，重要度重み付けに基づいたアプローチを模索しています．

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

Sugiyama, M. & Kawanabe, M. Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation, MIT Press, 2012. https://mitpress.mit.edu/books/machine-learning-non-stationary-environments
Fang, T., Lu, N., Niu, G., & Sugiyama, M. Rethinking importance weighting for deep learning under distribution shift. In Advances in Neural Information Processing Systems 33, pp. 11996-12007, 2020. https://proceedings.neurips.cc/paper/2020/hash/8b9e7ab295e87570551db122a04c6f7c-Abstract.html
Zhang, T., Yamane, I., Lu, N., & Sugiyama, M. A one-step approach to covariate shift adaptation. SN Computer Science, vol. 2, no. 319, 12 pages, 2021. https://link.springer.com/article/10.1007/s42979-021-00678-6