継続的な知識の学習と忘却を両立する適応的クラスタリング手法の開発

本研究課題は，知識の選択的忘却による学習性能の向上と，保存している知識の頑健性向上を実現する学習システムの提案を目的とする．具体的には，継続学習が可能な適応的クラスタリング手法をベース手法として，破滅的忘却を伴わない知識の選択的忘却機構と，知識の選択的忘却に基づくコンセプトドリフトへの対応を実現する手法の開発を行う．また，提案手法の有効性を検証するため，人工・実世界データセットを用いて，他の最新手法との識別性能の定量的比較を行う．また，比較実験から提案手法の利点と欠点を明確化することで，今後の研究に関する議論と検討を行う．2022年度は，コンセプトドリフトが可能な最新手法に関する文献調査と，継続学習が可能なクラスタリング手法の機能的拡張を行った．機能的拡張として，(A) 手法のマルチラベルデータへの対応と，(B) データセットごとに適切な値が異なるパラメータの自動調整機構の提案を行った．(A) に関して，実世界のデータは本質的にはマルチラベルであるため，実応用を見据えた場合に必須の機能と言える．提案手法は，ラベル情報の追加/削除に対応可能なマルチラベル学習手法を継続学習が可能なクラスタリング手法に統合することで，データのみならずラベル情報の継続学習を実現した手法を提案した．(B) に関して，コンセプトドリフトの種類として，データ分布自体が変化する状況が存在する．このような状況下においては，適切なクラスタリングを実現するために，手法が持つパラメータをデータの分布に合わせて調整する機能が必要である．提案手法は，入力されるデータの分布から適応的にパラメータを推定することが可能であり，さまざまな実世界データセットに対して，事前のパラメータ設定を必要とせずに高いクラスタリング性能を示すことを確認した．

本研究課題は，知識の選択的忘却による学習性能の向上と，保存している知識の頑健性向上を実現する学習システムの提案を目的とする．具体的には，継続学習が可能な適応的クラスタリング手法をベース手法として，破滅的忘却を伴わない知識の選択的忘却機構と，知識の選択的忘却に基づくコンセプトドリフトへの対応を実現する手法の開発を行う．また，提案手法の有効性を検証するため，人工・実世界データセットを用いて，他の最新手法との識別性能の定量的比較を行う．また，比較実験から提案手法の利点と欠点を明確化することで，今後の研究に関する議論と検討を行う．2022年度は，コンセプトドリフトが可能な最新手法に関する文献調査と，継続学習が可能なクラスタリング手法の機能的拡張を行った．機能的拡張として，(A) 手法のマルチラベルデータへの対応と，(B) データセットごとに適切な値が異なるパラメータの自動調整機構の提案を行った．(A) に関して，実世界のデータは本質的にはマルチラベルであるため，実応用を見据えた場合に必須の機能と言える．提案手法は，ラベル情報の追加/削除に対応可能なマルチラベル学習手法を継続学習が可能なクラスタリング手法に統合することで，データのみならずラベル情報の継続学習を実現した手法を提案した．(B) に関して，コンセプトドリフトの種類として，データ分布自体が変化する状況が存在する．このような状況下においては，適切なクラスタリングを実現するために，手法が持つパラメータをデータの分布に合わせて調整する機能が必要である．提案手法は，入力されるデータの分布から適応的にパラメータを推定することが可能であり，さまざまな実世界データセットに対して，事前のパラメータ設定を必要とせずに高いクラスタリング性能を示すことを確認した．