教師データ不足に起因する不確実性の増減要因を分析する手法の提案

抄録

AIの予測精度改善には教師データの品質が重要である。我々は教師データに不足するデータの特性を把握し、教師データを拡充することで、教師データの品質を改善できると考える。教師データ不足に起因する不確実性を評価する指標に認識的不確実性がある。認識的不確実性の高いデータで、どのような特徴が認識的不確実性を高めるかが分かれば、データを適切に拡充できる。そのため、認識的不確実性の増減要因を分析する技術が求められる。認識的不確実性の増減要因を特徴量に写像する分析手法にUncertainty Attribution法(UA法)がある。UA法は識別問題に対する適用を想定し、回帰問題に直接適用できない。そこで我々はUA法を拡張し、回帰問題にも適用可能にしたUA法を提案する。意図的に特定の特徴量条件を持つ教師データを欠損させ、認知的不確実性の要因を設計した教師データで、要因の特定精度を検証した。要因特定は全評価データに対し成功した。これにより教師データの品質改善実現の見込みを得た。