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

开发一种自适应聚类方法，实现知识的持续学习和遗忘

基本信息

批准号：
22K12199
负责人：
増山直輝
金额：
$ 2.66万
依托单位：
Osaka Metropolitan University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2025-03-31
项目状态：
未结题

项目摘要

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．

该研究主题旨在提出一个学习系统，该系统将通过选择性忘记知识来提高学习绩效，并提高存储知识的鲁棒性。具体而言，基于一种允许连续学习的自适应聚类方法，我们将开发一种方法，该方法可以选择性地忘记知识而无需灾难性的遗忘，并基于选择性忘记知识而实现对概念漂移的反应。此外，为了验证所提出的方法的有效性，我们使用人工和现实世界数据集来定量地将歧视性能与其他最新方法进行比较。此外，通过阐明比较实验中提出方法的优势和缺点，我们将讨论并研究未来的研究。在2022年，我们对允许概念漂移的最新方法进行了文献调查，以及允许连续学习的聚类方法的功能扩展。作为功能扩展，我们提出了一种机制，用于自动调整每个数据集（a）和（b）每个数据集的值不同的参数。关于（a），现实世界的数据本质上是多标签，因此可以说这是查看实际应用时的重要功能。提出的方法提出了一种方法，该方法不仅可以通过整合多标签学习方法来实现数据的持续学习，还可以将标签信息的添加/删除添加到可用于连续学习的聚类方法中。关于（b），在某些情况下，数据分布本身会随着概念漂移的一种类型而变化。在这种情况下，为了获得适当的聚类，必须具有一个函数来调整适合数据分布的方法的参数。所提出的方法允许从输入数据的分布中自适应估算参数，并且已经证实，对于各种现实世界数据集，证明了高聚类性能，而无需先前的参数设置。