Skip to content
検索結果に戻る

自己教師あり決定木

提唱者
Multiple authors (active research area, 2010s–2020s)
年
2015–present
種類
Self-supervised ensemble/single tree model
系統
Machine learning

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

自己教師あり決定木学習は、古典的な決定木の解釈可能性と、自己教師ありのプリテキストタスクを通じて大量のラベルなしデータを活用する能力を組み合わせたものです。このモデルは、少数のラベル付きデータセットで予測を洗練する前に、ラベルなしサンプルから有用な特徴表現またはノード分割基準を学習し、完全教師あり決定木と純粋に教師なしクラスタリングの間のギャップを埋めます。

手法の背後にある直感

標準的な決定木は、すべてのノードでラベル付きの例を必要とします。多くの実世界のシナリオでは、ラベルの収集は高価ですが、生のデータは豊富に存在します。自己教師あり決定木は、まず決定木に補助タスクを解決させることでこれを解決します。たとえば、2つのサンプルが同じクラスタに属するかどうかを予測したり、マスクされた特徴を再構築したりするなど、ラベルなしデータのみを使用します。このプリテキスト段階は、決定木にどの特徴と閾値が全体的に情報豊富であるかを教えます。最終的にラベルが到着すると、決定木はすでに先行しており、高い精度を達成するために必要なラベルははるかに少なくなります。

歴史学

自己教師あり学習は、2010年代の対照目的とプリテキストタスクに関する研究を通じて、ディープラーニングにおける主要なパラダイムとなりました。その後、研究者はこれらのアイデアをツリーベースのモデルに適用し、ラベルが少ない状況でそれらの解釈可能性の利点を回復しました。初期の定式化は半教師あり学習から疑似ラベリングを借用しましたが、後期のバリアントはツリー成長基準に直接対照および再構築目的を採用し、2020年代を通じてこの分野を活発な研究分野にしました。

使うべき場面

ラベル付きトレーニング例は少ないが、同じ分布の大きなラベルなしプールが利用可能であり、ある程度の解釈可能性が必要な場合(ディープニューラルアプローチを除く)に推奨されます。また、ドメイン専門家が予測ターゲットに合わせた意味のあるプリテキストタスクを設計できる場合にも適しています。ラベル付きセットが既に大きい場合(標準的な教師あり決定木が性能に匹敵するかそれを超える)、ラベルなしデータが異なる分布から来ている場合、または表形式ベンチマークでの最大の予測精度のみが懸念される場合(勾配ブースティングが一般的にそれを上回る)には適していません。

限界と注意点

  • 性能はプリテキストタスクの設計に敏感です。不適切なタスクを選択すると、決定木構造が誤解される可能性があります。
  • ラベルなしデータとラベル付きデータの分布がずれると、疑似ラベルのノイズが分割を通じて蓄積します。
  • プリテキストトレーニング段階のため、計算コストは標準的な教師あり決定木よりも高くなります。
  • 疑似ラベルの品質と収束に関する理論的保証は、完全教師あり決定木ほど確立されていません。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • ラベル付きサンプルが少ない場合に一般化を改善するために、豊富なラベルなしデータを活用します。
  • 決定木の解釈可能性を維持します。分割は人間が読めるままであり、監査可能です。
  • ドメイン知識に合わせて調整された多様なプリテキストタスクに対応する柔軟なフレームワークです。
  • ホワイトボックスのツリーベースの予測の性質を犠牲にすることなく、ラベリングコストを削減します。
  • さらなる精度向上のためのアンサンブル拡張(ランダムフォレスト、ブースティング)と互換性があります。

応用

  • ラベル付き患者記録は少ないが、ラベルなし画像または臨床データが豊富な場合の医療診断。
  • 豊富な通常の運用センサーログと少数のラベル付き障害イベントを使用した産業障害検出。
  • 限られたアノテーション付きコーパスだが、大量の生のテキストプールがある場合の自然言語分類。
  • トランザクション量に対して確認された不正ラベルが少ない場合の金融不正検出。
  • 専門家によるアノテーションがボトルネックとなる科学データ分析(ゲノミクス、気候)。

使い方

使い方

1

プリテキストタスクは、決定木が自動生成された教師信号を使用してラベルなしデータでトレーニングできるように設計されています。一般的な選択肢には、事前のk平均法によるクラスタメンバーシップの予測、マスクまたは破損した特徴値の予測、またはインスタンスへの回転/変換ラベルの割り当てが含まれます。プリテキストタスクは、決定木構造に人間が提供したラベルなしで情報豊富な分割を発見することを強制します。

2

プリテキスト段階の後、既に学習された表現またはクラスタ割り当てを使用して、高信頼度の疑似ラベルがラベルなしインスタンスに割り当てられます。これらの疑似ラベルは、後続のトレーニングでソフトターゲットとして扱われ、ラベルの小さなシードセットから、はるかに大きなワーキングセットへとラベル付きプールを効果的に拡張し、各ラベルとともに構造的不確実性推定値を伝播させます。

3

疑似ラベルと利用可能な真のラベルからの結合された信号を使用して、決定木は標準的な分割アルゴリズム(例:CART、ID3、またはC4.5)を使用して成長されます。プリテキストから派生した特徴またはクラスタスコアは、追加の入力次元として機能し、生の入力以外の特徴空間を豊かにし、スパースなラベルに対する純粋に教師あり決定木では見逃される可能性のある分割を可能にします。

4

ノード分割は、情報利得、ジニ不純度、または自己教師あり対照目的などの情報基準を最大化するように選択され、拡張されたトレーニングセットで評価されます。疑似ラベルは多くのラベルなしサンプルから学習されたグローバル構造を反映しているため、分割は、小さなラベル付きセットのみから学習された分割よりも一般化する傾向があります。

5

初期の決定木が成長した後、ファインチューニング段階で、検証済みのラベル付き例のみを使用して葉の予測を再剪定または再重み付けします。これにより、前の段階で導入された疑似ラベルのノイズが修正され、最終的な予測が真のクラス境界に整合し、近似的な疑似ラベル境界に整合するようになります。

よくある落とし穴

  • 下流のターゲットと無関係なプリテキストタスクを設計し、転送されない表現につながる。
  • 信頼度閾値なしで疑似ラベルを使用し、トレーニングセットをノイズの多い例で氾濫させる。
  • ファインチューニング段階をスキップし、疑似ラベルでトレーニングされた決定木を直接展開し、体系的なラベリングエラーを保持する。
  • ラベル付きとラベルなしのプールの間の分布シフトを無視する。疑似ラベルは誤ったデータ構造を反映する。
  • 疑似ラベルから派生した分割が意味的に意味のあるままであることを確認せずに、解釈可能性を保証されていると見なす。

よくある質問

決定木を使用した半教師あり学習とどう違うのですか?

半教師ありアプローチは通常、ラベルをラベル付きノードからラベルなしノードに直接伝播させます。自己教師あり決定木は、まずラベルなしデータのみから合成教師信号を生成するプリテキストタスクを定義し、下流のラベルが表示される前に決定木に豊かな構造的ガイダンスを与えます。

どのプリテキストタスクを選択すべきですか?

最適なプリテキストタスクは、下流のターゲットを反映するものです。表形式分類の場合、k平均クラスタ予測またはマスク特徴再構築が一般的な開始点です。ドメイン知識(例:時系列行の時間的順序)が利用可能な場合は、その構造を利用するタスクがよりよく転送されます。

これは回帰ターゲットにも有効ですか?

はい。疑似ラベルは連続的なクラスタ中心または再構築された特徴値であり、決定木はファインチューニング段階で平均二乗誤差基準で成長させることができます。プリテキストタスクは、連続的な結果と相関する信号を生成するだけで十分です。

ランダムフォレストやブースティングと組み合わせることはできますか?

はい。アンサンブルの各決定木は、自己教師あり手順で独立して成長させることができ、最終的なアンサンブルは通常の方法でそれらの投票または予測を集計します。これにより、多くの場合、個々の決定木のレベルでの解釈可能性を維持しながら、勾配ブースティングとの精度のギャップの多くが回復します。

疑似ラベルの品質をどのように評価しますか?

ファインチューニングの前に、その保持されたラベル付きサブセットでの疑似ラベルの精度を真のラベルと比較してください。その保持されたラベル付きセットでの疑似ラベル精度が70%を下回る場合は、プリテキストタスクが適切に調整されていないか、分布シフトが存在している警告サインです。

関連する手法

参考文献

  1. Self-supervised learning. Wikipedia.

    出版物の文献を開く
    コピーしました。
  2. Decision tree learning. Wikipedia.

    出版物の文献を開く
    コピーしました。