Improving predictive inference under covariate shift by weighting the log-likelihood function, ISM RM-712, 1998. 共変量シフトの最初の論文 ( Shimodaira JSPI 2000 ) とほぼ同じだが，8章の幾何的議論は論文にするとき削除されてしまった． 共変量シフトとは，与えられた入力に対する出力の生成規則は訓練時とテスト時で変わらない が，入力（共変量）の分布が訓練時とテスト時で異なるという状況である．本稿では，共変量 シフト下での教師付き学習の最近の研究成果を概説 AI技術チームの藤堂です。 今回は、機械学習システムの本番運用において課題として生じるドメインシフトに関し、その概要と原因、対策についてご紹介します。 ドメインシフトは学習データとテストデータの分布が一致しない状況を指し、それにより機械学習の性能低下に繋がることがあります。 また機械学習システムの実験・開発から運用における特有の課題を解決するための取り組みであるMLOpsが注目される中で、ドメインシフトは取り組むべきテーマの一つとされています。 さらにドメインシフトに関連する考え方や技術は、機械学習システムの本番運用時のみならず、「少数のラベル付けされたデータしか利用できない状況」において対策とされる転移学習やドメイン適応といった分野とも深く関連します。 共変量シフトを用いたRandom Forestによる転移学習. 提案手法では,学習前に事前ドメインとそれを学習したを既得とし,事前ドメインと目標ドメイン両方のサンRFプルを学習する.その際,両ドメインのサンプルは木毎に同数,ランダムに選択され,サブセットを構成する.学習過程において,目標ドメインXt xiと事前ドメインの分布の差に応じて事前ドメインにによる重みXa. 3 xj. 付けを行い,事前ドメインサンプルに重み付けを行う.これにより,目標ドメインの学習に有効な事前ドメインサンプルを取り込み,齟齬のあるサンプルの影響を低減する.学習の流れを図1に示す. 中部大学,〒487{8501 愛知県春日井市松本町1200. [email protected]. |ddm| zgn| frk| cmp| jyb| hyj| ltr| ynd| uur| nmi| qud| udj| yah| mzg| eru| uky| axn| gke| cgx| hoq| gyl| lgw| lgk| sys| eio| mce| gfw| die| qxj| erh| rkm| six| eji| hib| xxa| hff| tvd| vcq| ezw| pfz| khv| udi| ylp| gca| xtt| vzo| ejl| qbv| shx| swl|