| Project/Area Number |
19K22863
|
|---|
| Research Category |
Grant-in-Aid for Challenging Research (Exploratory)
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Medium-sized Section 61:Human informatics and related fields
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
|
|---|
| Project Period (FY) |
2019-06-28 – 2022-03-31
|
| Project Status |
Completed (Fiscal Year 2021)
|
| Budget Amount *help |
¥6,500,000 (Direct Cost: ¥5,000,000、Indirect Cost: ¥1,500,000)
Fiscal Year 2020: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
Fiscal Year 2019: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
|
|---|
| Keywords | 少量学習データ / ドメイン適応 / 弱教師付き学習 / 半教師付き学習 / Few -Shot学習 / Zero-Shot学習 / 機械学習 / 転移学習 / 弱/半教師付き学習 / Few/Zero-Shot学習 |
|---|
| Outline of Research at the Start |
少量学習データに対応可能な学習アルゴリズムの実証と最適化・一般化を行っていく。具体的には、研究代表者が専門分野としている画像・映像を対象に下記の研究などを行っていく。(1) 転移学習と弱教師あり学習の組み合わせによるドメイン適応、(2) 学習曲線に注目した弱教師あり学習、(3) Few-Shot学習におけるData Augmentation、(4) マルチモーダルを活用したZero-Shot学習、(5) 上記課題の一般化およびオープンソース化。
|
| Outline of Final Research Achievements |
Deep learning is known for its overwhelming performance, but such high performance can be achieved only when large amounts of correct data are available. On the other hand, the time and financial cost for acquiring and creating such data is a severe problem. While rich data sets are available in fields where research has already been conducted for a long time, such as object recognition, large-scale datasets cannot be expected for industries or medical fields. In order to solve this problem, we have achieved various elemental technologies such as domain adaptation, weak/semi-supervised learning, few/zero-shot learning, self-supervised learning, and unbalanced learning that enable us to obtain robust machine learning models even with small and biased datasets.
|
| Academic Significance and Societal Importance of the Research Achievements |
前述の通り、深層学習アルゴリズムがその性能を十分に発揮するためには、大規模かつ性格なラベリングがなされた学習データが必要であった。産業応用を考えた場合、新たに大量のデータを収集し、かつそのデータに正解ラベルを付与するコストはあまりにも高い。本研究成果はこの制約を緩和し、少量であったり極端にデータの分布に偏りがあったりしても正しく学習がなされる種々の要素技術を実現したことにある。我々の技術はすでにいくつかは実サービスに応用されており、社会的にも貢献している。
|
