| Project/Area Number |
19K12151
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61040:Soft computing-related
|
|---|
| Research Institution | University of Tsukuba |
|---|
Principal Investigator |
|
|---|
| Project Period (FY) |
2019-04-01 – 2023-03-31
|
| Project Status |
Completed (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2021: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2020: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
Fiscal Year 2019: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
|
|---|
| Keywords | ニューラルネットワーク / 動的モデル学習 / 転移学習 / 蒸留 / カリキュラム学習 / モデル選択 |
|---|
| Outline of Research at the Start |
従来，複雑な問題への適応や転移学習などの手段として用いられてきたニューラルネットワークのモデル切り替えを，固定したモデルによらない動的モデル学習法として統一的に整理するとともに，どのようにモデルを切り替えて学習していくことが学習効率や汎化能力の向上につながるのかを検討する．切り替え時点の決定に向けては，学習中に得られる有用な特徴量を見出し，それらを用いて適した切り替え時点を検出する．切り替えモデルと写像の選択に向けては，切り替え候補写像を選択するための写像間距離について検討するとともに，多様なモデル間での切り替え法を提案する．これらの後に実世界の認識問題へ適用し，その有用性を評価する．
|
| Outline of Final Research Achievements |
This project concerns the “dynamical model training” of neural networks which involves a training process that switches multiple models and maps implemented during a single learning process. It aimed to clarify the methods and conditions for obtaining a superior map in the desired model in an efficient manner. In model compression using dynamical model training in convolutional neural networks (CNNs) for image classification, methods using multi-stage switching and map selection by distillation with selective transfer of meritorious nature have been proposed. There, it was clarified that a gradual change in the model size and merit-based distillation contribute to the improvement of the performances of the compressed networks. In addition, a method for modality selection in image classification using multimodal features was proposed, and its effectiveness was shown.
|
| Academic Significance and Societal Importance of the Research Achievements |
本研究は，パターン認識系の構築における蒸留や転移学習などに見られる複数のニューラルネットワークモデルを経由した学習過程について，それらに共通するモデル切り替え時のモデルと写像の選択方法について学習効率と認識精度の観点から検討を加え，新たな学習方式を提案して学習の効率化と認識精度の向上が可能となることを示しており，単一のモデルに限定されない学習方式の実用化に貢献する成果である．このことは，一定の能力を持つパターン認識系を従来より計算リソースの限られたデバイス上に実現することを可能にするもので，タブレット端末やIoTデバイス等への高度なパターン認識系の実装に資するものである．
|
