自己指向型タスク識別

Abstract

本研究では、ゼロショット設定において事前学習なしで、各データセットに対する正しい目的変数をモデルが自律的に特定できるようにする、新しい機械学習フレームワーク「Self-Directed Task Identification（SDTI）」を提案します。SDTIは、機械学習の中核となる概念を、斬新な課題構造に転用することの実現可能性を示す、最小限で解釈可能なフレームワークです。私たちの知る限り、この能力を示した既存のアーキテクチャはありません。従来のアプローチではこの能力が欠けており、その結果、データの注釈付けが時間のかかる作業となり、人手への依存が大きくなっています。標準的なニューラルネットワークの構成要素のみを用いて、適切な問題設定とアーキテクチャ設計によってSDTIを実現できることを示します。提案するフレームワークをさまざまなベンチマーク課題で評価し、複数の候補となる目的変数の中から、真の根拠（ground truth）を信頼性高く特定できる有効性を実証します。SDTIは、合成の課題同定ベンチマークにおいて、F1スコアでベースラインのアーキテクチャを14%上回りました。これらの概念実証実験は、SDTIが手作業による注釈への依存を低減し、実世界のアプリケーションにおける自律学習システムのスケーラビリティを高める将来の可能性を示しています。