MIATTsに対するLAFベース評価とUTTLベース学習戦略

Abstract

多くの実世界の機械学習（ML）アプリケーションでは、曖昧さや主観性の情報のために、真のターゲットを正確に定義することができません。この課題に対処するため、特定のMLタスクにおける真のターゲットは現実世界に客観的に存在するものとは仮定しない、という前提のもとで、EL-MIATTs（Evaluation and Learning with Multiple Inaccurate True Targets）という枠組みが提案されました。EL-MIATTsを実装する際の理論と実践を橋渡しすることを目指し、本論文では2つの補完的なメカニズムを開発します。すなわち、LAF（Logical Assessment Formula）に基づく評価アルゴリズムと、MIATTsを用いたUTTL（Undefinable True Target Learning）に基づく学習戦略です。これらが組み合わさることで、不確かな教師信号の下でも、論理的に首尾一貫した、かつ実務的に実行可能なモデリングが可能になります。まず、タスク固有のMIATTsを分析し、それらのカバレッジと多様性が、その構造的性質をどのように決定し、下流の評価および学習にどのように影響するかを検討します。この理解に基づき、LAFに基づく評価アルゴリズムを定式化します。これは、元のMIATTs、またはそれらから合成された三値ターゲットのいずれかに対して動作し、解釈可能性、健全性、完全性のバランスを取ります。モデル学習のために、Diceおよびクロスエントロピー損失関数を用いたUTTLに基づく学習戦略を導入し、ターゲットごとの最適化と集約された最適化の手法を比較します。また、LAFとUTTLの統合が、論理的意味論と統計的最適化の間のギャップをどのように埋めるかについても議論します。これらの要素は一体として、EL-MIATTsを実装するための首尾一貫した道筋を提供し、「真実（ground truth）」という概念が本質的に不確実であるような状況においてMLシステムを開発するための、体系的な基盤を与えます。本研究の結果の応用は、https://www.qeios.com/read/EZWLSN にて利用可能な研究の一部として提示されています。