文献

J-GLOBAL ID：202302266143712147   整理番号：23A3108844

ドメイン適応の精度向上と計算量削減を両立するデータ選択型敵対的訓練手法

Adversarial Training with Data Selection which Improves the Accuracy and Reduces the Computational Complexity of Domain Adaptation

著者 (4件)： 木村恵悟 (早稲田大) ,  中村太祐 (早稲田大) ,  阪井優太 (早稲田大) ,  後藤正幸 (早稲田大)
資料名： 人工知能学会全国大会論文集(Web)  (Proceedings of the Annual Conference of JSAI (Web))
巻： 37th  ページ： ROMBUNNO.2A6-GS-2-03(J-STAGE)  発行年： 2023年 
JST資料番号： U1701A  ISSN： 2758-7347  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 機械学習では一般に,学習データと予測対象データの特徴量の統計的構造が異なる場合に適切な予測が保証されない.しかし,現実問題ではモデルの学習対象と構造が異なる対象に対して予測モデルを適用しなければならない場合がある.近年,この問題に対処する研究が盛んに行われており,その代表的な手法として敵対的生成ネットワーク(以下,GAN)の敵対的訓練を応用した分類モデル(以下,ADDA)がある.しかし,ADDAは学習時にミニバッチのデータを全て用いるため,これらの中に学習に悪影響を及ぼすデータが含まれる可能性がある.そこで本研究では,ADDAに対し,GANの改良手法であるTop-k Training of GANsを援用した手法を提案する.これにより,ADDAの学習時にモデル内の出力に基づいて選択された有用なデータのみが用いられ,モデルの予測精度向上が期待される.実データを用いた実験では,提案手法の予測精度が従来手法を上回り,提案手法の有効性を示した.また,提案手法によってモデルの学習時間を軽減することが達成された.(著者抄録)

シソーラス用語： *機械学習 ,  *計算量 ,  縮小 ,  改良 ,  選択 ,  *人工知能 ,  学習アルゴリズム ,  *ドメイン適応 ,  *敵対的生成ネットワーク
準シソーラス用語： データ選択 ,  訓練アルゴリズム ,  縮減 ,  精度向上

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： ドメイン適応 ,  精度向上 ,  計算量 ,  敵対 ,  訓練 ,  手法