複雑な関係データに基づく意思決定のための機械学習研究
Project/Area Number |
20H04244
|
Research Category |
Grant-in-Aid for Scientific Research (B)
|
Allocation Type | Single-year Grants |
Section | 一般 |
Review Section |
Basic Section 61030:Intelligent informatics-related
|
Research Institution | Kyoto University |
Principal Investigator |
鹿島 久嗣 京都大学, 情報学研究科, 教授 (80545583)
|
Project Period (FY) |
2020-04-01 – 2024-03-31
|
Project Status |
Granted (Fiscal Year 2023)
|
Budget Amount *help |
¥17,550,000 (Direct Cost: ¥13,500,000、Indirect Cost: ¥4,050,000)
Fiscal Year 2023: ¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
Fiscal Year 2022: ¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
Fiscal Year 2021: ¥5,070,000 (Direct Cost: ¥3,900,000、Indirect Cost: ¥1,170,000)
Fiscal Year 2020: ¥5,460,000 (Direct Cost: ¥4,200,000、Indirect Cost: ¥1,260,000)
|
Keywords | 機械学習 / 人工知能 / 因果推論 / グラフ / 意思決定 / 深層学習 / グラフ構造データ / グラフ深層学習 |
Outline of Research at the Start |
社会実装が進む機械学習技術が一層の発展を遂げるために必要なのが、現実世界に現れる複雑なデータへの対応と、これらに基づく意思決定への直接的貢献である。本研究では、機械学習の適用範囲を一層拡大するべく、複雑な関係構造をもつデータを扱うグラフ深層学習法を発展させるとともに、より直接的に意思決定に寄与するデータ解析手法として、因果推論に着目し、様々な複雑な状況に対応できる因果効果推定法の研究を行う。
|
Outline of Annual Research Achievements |
データに基づく意思決定の適用範囲を大きく広げることを狙って、(1) 交絡変数が未知である状況における因果効果推定 (2) グラフ構造をもった介入の因果効果推定 (3) 因果効果推定の化学分野への応用 (4) 少量データに対する予測技術 に取り組んだ。 (1)では深層学習モデルのVAEに基づいて交絡変数の表現を獲得する新たな手法を開発し、(2)では薬剤(化合物)のようなグラフ構造をもった、非常に多数の介入候補がある中からそれぞれの因果効果を推定する深層学習手法を開発した。いずれも、現実の複雑な問題における因果推論の適用範囲を広げるものである。また、因果推論技術の応用の開拓として、(3)では、化合物の性質推定問題に対して、グラフニューラルネットワークによる予測モデリングと、これを偏ったデータから推定する因果推論の技術を組合せることで、より高い精度で性質推定を行えることを示した。さらに、(4)では、モデリング対象となる観測が稀なイベントであるため十分なデータ数が確保できないときに、イベントの発生には至らないがこれに「ニアミス」したデータも併せて用いることで予測精度を高める方法を開発した。 いずれの研究も査読付きの学術誌上で発表された。また、(1)については人工知能学会論文賞(その年に発表された論文の中から最も顕著なもの1,2件に与えられる賞)に内定している。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
これまでに取り組んできた多くの研究成果が具体的な形として発表された。
|
Strategy for Future Research Activity |
引き続き、因果効果推定の適用範囲を大きく広げることを狙って、関係データ上の因果効果推定、たとえばソーシャルネットワークのように個々のデータ間に関係構造が存在する場合の因果効果推定問題に取り組む。とくに、データ間の関係が明示的に観測されず、かつ文脈に依存して複数の種類があるような複雑なケースに対して、グラフ深層学習や注意機構などの深層学習手法と、因果効果推定のためのバイアス補正を組み合わせることでこれを解決する。また、最終年度である本年度では、これまでの研究の総括として、これまでの研究成果をまとめる統一的な枠組みの提案を行うとともに、その公開ツールとしての提供を進める。
|
Report
(3 results)
Research Products
(16 results)
-
-
-
-
-
-
-
-
-
-
-
-
[Journal Article] Inter-domain Multi-relational Link Prediction2021
Author(s)
Luu Huu Phuc, Koh Takeuchi, Seiji Okajima, Arseny Tolmachev, Tomoyoshi Takebayashi, Koji Maruhashi, Hisashi Kashima
-
Journal Title
Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD),
Volume: LNAI12979
Pages: 285-301
DOI
ISBN
9783030865191, 9783030865207
Related Report
Peer Reviewed
-
[Journal Article] Crowdsourcing Evaluation of Saliency-Based XAI Methods2021
Author(s)
Lu Xiaotian, Arseny Tolmachev, Tatsuya Yamamoto, Koh Takeuchi, Seiji Okajima, Tomoyoshi Takebayashi, Koji Maruhashi, Hisashi Kashima
-
Journal Title
Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD),
Volume: LNAI12979
Pages: 431-446
DOI
ISBN
9783030865160, 9783030865177
Related Report
Peer Reviewed
-
-
-