非パラメトリック・ベイズネットワークに対する転移学習
arXiv cs.LG / 2026/4/2
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- データが乏しい状況で非パラメトリック・ベイズネットワークを学習するために、2つの転移学習手法（PCS-TL（制約に基づく）とHC-TL（スコアに基づく））を提案する。
- 転移によってモデル性能が悪化する「負の転移」を検出し、軽減するための特定の指標と実験手順を導入する。
- パラメータ推定において、タスク／ドメイン間で情報を効果的に組み合わせるための対数線形プーリング（log-linear pooling）手法を提示する。
- 評価では、カーネル密度推定ベイズネットワークを学習し、合成ネットワークおよびUCIデータセット（ノイズ付加やデータセット改変を含む）において、転移学習の各手法を非転移のベースラインと比較する。
- 提案手法が負の転移のリスクを抑えつつ、実験上の挙動を改善することを裏付けるために、統計的検定（Friedman検定とBergmann-Hommelの事後検定）を用いる。
