学習族の理論とその応用に関する研究

点击翻译按钮获取中文摘要

教師付き学習の研究は,従来,誤差逆伝搬法や射影学習など個々の学習に関するものが中心であった.しかし,学習の問題を深く理解していくためには,個別学習理論から,無限に多くの種類の学習を同時に扱う学習族の理論へと進む必要がある.受入研究者のグループでは,SL射影学習という概念を導入することにより,無限種類の学習を含む学習族の理論を世界に先駆けて構築してきた.この理論により,標本点が固定されている場合には,記憶学習が時によって高い汎化能力を獲得できる理由等,多くの事柄を理論的に解明してきた.しかし,追加学習や能動学習のように,標本点が変化していく場合には,このSL射影学習の概念は必ずしも使いやすいものではなかった.本研究の目的は,標本点が変化していく場合にも有効な学習族の理論を構築していくことである.ところで,外国人特別研究員のKovachevaは,本国でRBFネットワークと呼ばれる構造を持ったネットワークの研究に従事していた.そして,新しく効率的な学習法を提案し,ネットワークシミュレーターを開発するとともに,そのシミュレーターを用いて大型船舶のディーゼルエンジンの故障診断という複雑な問題に取り組んでいた.来日以来,この研究をより洗練させるとともに,それを追加学習に活用する研究を行い,アイルランド及びメキシコで開催された国際会議(ISICT 2003,WISICT 2004)で発表した.この研究は,RBFネットワークと呼ばれる無限種類のネットワークを考えながら,その中から,追加される訓練データに応じて最適なネットワークを構成していくものであり,学習族の問題の一つの具体例になっている.