[2A6-GS-2] 機械学習：一般

[2A6-GS-2-03] 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

〇木村 恵悟¹、中村 太祐¹、阪井 優太¹、後藤 正幸¹ (1. 早稲田大学)

キーワード：ドメイン適応、転移学習、敵対的訓練、画像分類、ニューラルネットワーク

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．