[1F5-GS-10] AI応用：深層学習

[1F5-GS-10-05] 再学習なしで分布変化に追従する動的アンサンブル手法

〇佐久間 啓太¹、竹村 慧¹、松野 竜太¹、廣川 暢一¹ (1. 日本電気株式会社)

キーワード：機械学習、アンサンブル、コンセプトドリフト、MLOps

実運用環境では、データの分布変化により機械学習モデルの性能が劣化することがある。この問題に対処するため、複数のモデルを動的な重みでアンサンブルする手法が提案されている。しかし、複数モデルの作成や再学習は高コストなため、学習済みモデルとそれを変調したモデルからなる変調モデルプールを用いる場合がある。このとき、従来手法では、単一の重みでアンサンブルを実施するため、特徴空間内の局所的な分布変化に対応できず、十分な運用性能を確保できない。そこで本研究では、局所的な変化に対応可能な動的アンサンブル手法 Two-Layer Conditional Dynamic Ensemble (TL-CDE)を提案する。TL-CDEは、第一層で多様な条件に基づき特徴空間を分割し、分割領域ごとの個別の重みでモデルをアンサンブルする。第二層では、入力特徴量が満たす条件に応じて、第一層のアンサンブル結果を統合して予測を行う。数値実験において、TL-CDEは、変調モデルプールを用いることで再学習を行わずとも高い運用性能を維持できることを示した。また、重みの更新履歴から分布変化の詳細が把握できることも確認した。