Learning under covariate shift for domain adaptation for word sense　disambiguation through weight setting using a outlier detection method

研究成果の概要（和文）：本研究では語義曖昧性解消の領域適応の問題を共変量シフト下の学習によって解決する。その際に問題となるのは事例への重みである確率密度比の算出方法と、重み付き学習の手法である。確率密度比の算出方法としては拘束無し最小二乗重要度適合法を試みた。そこで用いるカーネル関数は通常、ガウスカーネルであるが、線形モデルの方が本タスクには適していることを示した。また重みは連続値ではなく、大中小の3つの離散値を用いる手法を提案した。また重み付き学習の手法は通常最大エントロピー法を利用するが、SVMも利用できることを示した。カーネル関数、重み付き学習、重みの大別処理の最善の組み合わせを求めた。研究成果の概要（英文）：In this research, I solved the domain adaptation for word sense disambiguation by using the learning method under the assumption of covariate shift. The key point of this approach is how to estimation of the probability density ratio, and how to conduct the weighted learning. For the first problem, I adopt unconstrained least squares importance fitting (uLSIF). In this research, I showed that a linear kernel is better than a Gaussian kernel used as the basis function generally. Furthermore, I proposed to use 3 kinds of discrete values as a weight. For the second problem, I showed that SVM also is available but the maximum entropy method. Furthermore, I combined the kernel function, the weighted learning and discrete weights