| 講演名 | 2022-06-27 Multifidelity能動学習を用いた段階的ドメイン適応 佐川 正悟(総研大), 日野 英逸(統計数理研/理研), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | ドメイン適応においてドメイン間に大きな距離がある場合, 予測能が低下することが知られている. 段階的ドメイン適応は, このような問題の解決策の１つであり, ソースからターゲットへ向かって徐々にシフトする中間ドメインが利用できることを仮定している. 既存研究では豊富な中間ドメインが利用できることを仮定しているため, ラベル付きのデータを必要とせず自己学習だけでドメイン適応が可能であった. 一方, 利用可能な中間ドメインが制限されている場合, 自己学習は破綻してしまうが, このような状況を想定した研究は報告がない. 我々はこの課題の解決策として少量のクエリを要求することにし, さらに現実的な問題設定として各ドメインからのクエリにコストがかかることを考える. コストと精度のトレードオフを解消するために, multifidelityと能動的ドメイン適応を組み合わせた新しいフレームワークを提案する. |
| 抄録(英) | In domain adaptation, when there is a large distance between the source and target domains, the prediction performance will degrade. Gradual domain adaptation is one of the solutions to such an issue, assuming that we have access to intermediate domains, which shift gradually from the source to target domains. In previous works, it was assumed that the number of samples in the intermediate domains is sufficiently large; hence, self-training was possible without the need for labeled data. If access to an intermediate domain is restricted, self-training will fail. Practically, the cost of samples in intermediate domains will vary, and it is natural to consider that the closer an intermediate domain is to the target domain, the higher the cost of obtaining samples from the intermediate domain is. To solve the trade-off between cost and accuracy, we propose a framework that combines multifidelity and active domain adaptation. The effectiveness of the proposed method is evaluated by experiments with both artificial and real-world datasets. |
| キーワード(和) | 段階的ドメイン適応 / 能動学習 / Multifidelity学習 |
| キーワード(英) | Gradual domain adaptation / Active learning / Multifidelity learning |
| 資料番号 | NC2022-7,IBISML2022-7 |
| 発行日 | 2022-06-20 (NC, IBISML) |
| 研究会情報 | |
| 研究会 | NC / IBISML / IPSJ-BIO / IPSJ-MPS |
|---|---|
| 開催期間 | 2022/6/27(から3日開催) |
| 開催地（和） | 琉球大学50周年記念館 |
| 開催地（英） | |
| テーマ（和） | 機械学習によるバイオデータマイニング、一般 |
| テーマ（英） | |
| 委員長氏名（和） | 山川 宏(東大) / 杉山 将(東大) |
| 委員長氏名（英） | Hiroshi Yamakawa(Univ of Tokyo) / Masashi Sugiyama(Univ. of Tokyo) |
| 副委員長氏名（和） | 田中 宏和(東京都市大学) / 神嶌 敏弘(産総研) / 津田 宏治(東大) |
| 副委員長氏名（英） | Hirokazu Tanaka(Tokyo City Univ.) / Toshihiro Kamishima(AIST) / Koji Tsuda(Univ. of Tokyo) |
| 幹事氏名（和） | 寺島 裕貴(NTT) / 西田 知史(NICT) / 岩田 具治(NTT) / 中村 篤祥(北大) |
| 幹事氏名（英） | Hiroki Terashima(NTT) / Satoshi Nishida(NICT) / Tomoharu Iwata(NTT) / Atsuyoshi Nakamura(Hokkaido Univ.) |
| 幹事補佐氏名（和） | 田和辻 可昌(早大) / 栗川 知己(関西医科大) / 河原 吉伸(阪大) / 鈴木 大慈(東工大) |
| 幹事補佐氏名（英） | Yoshimasa Tawatsuji(Waseda Univ.) / Tomoki Kurikawa(KMU) / Yoshinobu Kawahara(Osaka Univ.) / Taiji Suzuki(Tokyo Inst. of Tech.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Neurocomputing / Technical Committee on Infomation-Based Induction Sciences and Machine Learning / Special Interest Group on Bioinformatics and Genomics / Special Interest Group on Mathematical Modeling and Problem Solving |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | Multifidelity能動学習を用いた段階的ドメイン適応 |
| サブタイトル（和） | |
| タイトル（英） | Cost-effective Framework for Gradual Domain Adaptation with Multifidelity |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 段階的ドメイン適応 / Gradual domain adaptation |
| キーワード(2)（和/英） | 能動学習 / Active learning |
| キーワード(3)（和/英） | Multifidelity学習 / Multifidelity learning |
| 第 1 著者 氏名（和/英） | 佐川 正悟 / Shogo Sagawa |
| 第 1 著者 所属（和/英） | 総合研究大学院大学(略称：総研大) The Graduate University for Advanced Studies(略称：SOKENDAI) |
| 第 2 著者 氏名（和/英） | 日野 英逸 / Hideitsu Hino |
| 第 2 著者 所属（和/英） | 統計数理研究所/理化学研究所AIP(略称：統計数理研/理研) The Institute of Statistical Mathematics/RIKEN AIP(略称：ISM/RIKEN) |
| 発表年月日 | 2022-06-27 |
| 資料番号 | NC2022-7,IBISML2022-7 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | NC-89,IBISML-90 |
| ページ範囲 | pp.61-68(NC), pp.61-68(IBISML), |
| ページ数 | 8 |
| 発行日 | 2022-06-20 (NC, IBISML) |