Unified approach for data sampling problems based on online prediction theory

基于在线预测理论的数据采样问题统一方法

基本信息

批准号：
21K12032
负责人：
末廣大貴
金额：
$ 2.75万
依托单位：
Kyushu University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

オンライン予測理論に基づくデータサンプリング問題の枠組みを用い，様々な学習タスクへの適用を行った．1. ラベル比率からの学習問題に対する疑似ラベルに基づく方法を構築した．オンライン予測理論に基づくデータサンプリングにより，効率的かつ高精度な疑似ラベルを担保しながらの学習を可能にした．実データを用いた実験でも，既存手法に比べ高い性能を示した．査読付き国際会議に投稿し受理された．2. 研究計画でメインターゲットとしていた，ノイズラベルデータに対するノイズデータを除去しながら学習する手法を構築した．オンライン予測理論に基づくデータサンプリングにより，従来より２倍程度学習を高速化しつつ，高精度なノイズデータ除去と，ラベル予測が可能となった．実データを用いた実験においても，従来手法より高い精度でノイズデータの除去とラベル予測を行えていることが確認できた．現在学術論文誌に投稿中である．これらの結果によって，研究計画でも示した「統合的な枠組み」「オンライン予測理論に基づく理論性能の保証」および「実応用の開拓」を明らかにした．また，研究計画でメインターゲットとしていたノイズラベルデータに対する適用だけではなく，ラベル比率からの学習問題にも適用を可能とし，提案した枠組みの汎用性を示した．1. および 2. で扱った問題に対してオンライン予測理論に基づくデータサンプリングを導入したのは世界で初であり，各問題における既存手法とは一線を画す独創的なアプローチである．

我们使用基于在线预测理论的数据采样问题框架，并将其应用于各种学习任务。 1.我们构建了一种基于伪标签的方法，用于从标签比率中学习问题。基于在线预测理论的数据采样可以在保证高效、高精度伪标签的同时进行学习。使用真实数据的实验也显示出比现有方法更高的性能。提交给同行评审的国际会议并被接受。 2.我们构建了一种噪声标签数据的学习方法，这是我们研究计划的主要目标，同时去除了噪声数据。基于在线预测理论的数据采样使得能够执行高精度的噪声数据去除和标签预测，同时将学习速度提高约两倍。在使用真实数据的实验中，我们证实我们的方法能够去除噪声数据并比传统方法更准确地预测标签。该论文目前正在提交给学术期刊。这些结果明确了研究计划中指出的“综合框架”、“基于在线预测理论的理论性能保证”和“实际应用的探索”。此外，所提出的框架不仅可以应用于噪声标签数据（这是研究计划的主要目标），还可以应用于从标签比率中学习问题，证明了所提出框架的多功能性。针对1.和2.中处理的问题引入基于在线预测理论的数据采样在世界上尚属首次，并且是在每个问题的现有方法中脱颖而出的独创方法。