複数データプロバイダーからの分布学習

私たちの周りには、たくさんの情報があふれていますよね。でも、その情報がすべてキレイに整理されて、わかりやすい形で手に入るわけではありません。例えば、ある商品の売れ行きを知りたいと思っても、お店ごとにバラバラなデータしか持っていなかったり、そもそも個人情報保護のために、すべてのデータを自由に使うことができなかったりします。

そんな「情報が断片的で、全部は使えない」という難しい状況でも、隠された全体像、つまり「確率分布」をうまく学習できる新しい方法が研究されています。確率分布というのは、例えば「サイコロを振ったら1が出る確率は1/6」とか、「明日の天気は晴れる確率が70%」といった、物事の起こりやすさを表すものです。この全体像がわかると、将来を予測したり、より良い判断をしたりするのに役立ちます。

これまでの機械学習の世界では、「PAC学習」という方法がよく使われていました。これは、データ同士がどうつながっているか（共起グラフといいます）が全部わかっている、という理想的な状況なら、効率よく学習できるというものです。でも、現実世界では、すべてのつながりを把握するのは至難の業。まるで、友達の友達の友達…とどこまでもつながっていく人間関係のすべてを把握しようとするようなものです。

今回提案された新しいモデルは、この「共起グラフが全部わからない」という現実的な問題に立ち向かいます。たとえ、手に入る情報が限定的で、条件付きでしか使えないものであっても、複数の情報源からのデータを賢く組み合わせることで、本来の確率分布、つまり「全体像」にぐっと近づける可能性を示しています。これは、プライバシーを守りながらデータを使いたい、といった場面で、機械学習がもっと活躍できるようになるための、大きな一歩と言えそうです。例えば、医療分野で患者さんのプライバシーを守りつつ、病気の傾向を分析したり、金融分野で個人の取引履歴を直接見ずに、市場全体の動きを把握したりするのに役立つかもしれません。