权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Novel learning algorithms through off-sample generalization metric design

通过样本外泛化度量设计的新颖学习算法

基本信息

批准号：
22H03646
负责人：
HOLLAND Matthew・James
金额：
$ 10.98万
依托单位：
Osaka University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (B)
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2026-03-31
项目状态：
未结题

来源：
https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-22H03646/
关键词：
統計的学習理論機械学習確率的最適化

项目摘要

本年度の主な成果は幅広い損失分布のスケールにかかわらず、平均的な性能、バラツキの抑制、外れ値に対する頑健性をバランスよく調節できる最適化法の導出と初期的な実験検証である。この手法は平滑性のある疑似Huber関数を導入して新しいリスク関数を設計しており、Sun (2021)がロバストな期待値推定の文脈で示したスケール適応の原理を頼りに、M推定量を大きく超越してあらゆる損失関数へ拡張し、位置とスケールを学習モデルのパラメータとともに効率よく学習する方法を提案し、平均と分散を総合した学習問題における有用性を検証した。微調整を要することなく、分散の抑制に役立つことがわかっているリスク指標と比べて優位になるデータセットがあること、計算オーバーヘッドも許容範囲であることなどは確認できたが、幅広いデータセットを対象とした場合の平均的な性能の向上は課題として残っている。学習法の導出と実験結果をまとめた論文を執筆し、近く投稿する予定である。さらに、提案手法を他の学習問題に応用したり、上述の論文中の実験結果を再現したりするために、numpyを中心とした拡張性の高いソフトウェアとデモンストレーション用のJupyterノートブックを作成し、GitHubのリポジトリに載せて一般公開している。

This year's main results include loss distribution, average performance, suppression, robustness, adjustment, optimization, and initial evaluation. This technique introduces the smoothness and uncertainty of the Huber relationship, designs the relationship, Sun (2021) estimates the expected value, demonstrates the context, and proposes a method of learning the relationship. Average dispersion of learning problems Micro-adjustment is necessary to determine whether or not to disperse the suppression, whether or not to select the optimal position, whether or not to calculate the allowable tolerance range, whether or not to confirm the average performance of the target, whether or not to select the optimal position. The study method is derived from the paper. In addition, the proposal method is used to solve other learning problems. The results of the above papers are reproduced in the center, numpy, high tension, high resolution, high resolution.