◎中村宗広（金沢大）・梶原祐輔（立命館大）・木村春彦（金沢大）

本稿では，さまざまな異なるタスクから学習した知識を断片的に利用して，対象タスクに対するパターン分類の精度を高める転移学習システムを提案する．既存の転移学習手法ではタスク同士が類似している必要があり，適用範囲が対象タスクと関連したタスクに制限されている．提案手法では，学習ベクトル量子化を用いて個々のタスクからコードブックと呼ばれる共通の知識を抽出する．コードブックは，対象タスクに知識を転移するための類似度算出に利用される．評価実験では44種類の実データを用意し，知識を転移するための元ドメインに18種類を配置して，残りの16種類を知識の移転先となる目標ドメインに配置し，提案手法の有効性を検証した．