分野別セミナー

マルチタスク学習とは，タスクと呼ばれる複数のデータ集合を統合し，モデル化を行う方法論である．各タスクに対して個別にパラメータが設定され，タスク間の関係性を考慮することで，タスクごとにモデル化するよりも推定精度の改善が期待される．ネットワークlasso正則化を用いた手法では，タスク間のパラメータ値を縮小することで，タスクのクラスタリングによるマルチタスク学習を実行している．しかし，ネットワークlasso正則化には，異なるクラスタに属するタスク間のパラメータを誤って縮小してしまう問題が存在し，推定精度が悪化する要因となっている．本報告では，ネットワークlasso正則化による手法に対して，さらに，クラスタの重心に関するパラメータを新たに導入したマルチタスク学習手法を提案する．提案手法では，回帰係数として推定されるパラメータと，縮小されるパラメータが分離されることにより，誤った縮小による影響を軽減することができる．提案手法の有効性を，数値実験および実データへの適用を通して検証する．