研究成果例：「興味」を持つ人工知能（逐次的モデル選択）EADLINE

機械学習では、より良い学習結果を得るために、学習データにフィットする最適な学習機械を構築する必要があります。これは「モデル選択」問題の一種と考えることが出来ます。しかし、逐次的にデータが与えられる状況では、ある時点までに得られたデータ集合だけを使って学習機械を構成しようとすると、思いもよらぬ学習機械が出来上がってしまう場合があります。これは、本来ならば学習させたい入力領域全体をまんべんなく網羅するデータが必要なのですが、多くの場合、偏った分布のデータになってしまうからです。
　そこで、それまでに得られたデータの分布を解析し、重みつき誤差関数を定義することで、よりふさわしいモデル構築を行う手法を研究しています。

関連論文
[1] Koichiro Yamauchi . "Optimal incremental learning under covariate shift", Memetic Computing, Vol1, No4, pp.271--279 (2009). [Additional Information]
[2] Koichiro Yamauchi . "Incremental Model Selection and Ensemble Prediction under Virtual Concept Drifting Environments", in Byoung-Tak Zhang, Mehmet A. Orgun , editors, PRICAI 2010: Trends in Artificial Intelligence, Springer-Verlag, LNAI6230, pp. 570--582, August, (2010).

研究成果の例：

忘れそうな記憶を選択的に再学習する追加学習アルゴリズム(詳細説明)
「睡眠」を伴う追加学習アルゴリズム(詳細説明)
「興味」を持って学習する機械学習アルゴリズム！：逐次的モデル選択(詳細説明)
もっと小さく低消費電力で追加学習：Edgeデバイス上で働く逐次学習理論(詳細説明)
- 電力制御への応用(詳細説明)
- Field Programmable Gate Array (FPGA)組み込み（詳細説明）
- 微小の脳：昆虫脳のモデル化（詳細説明）

発表論文

バナースペース