線形性と非線形性の協同による可解なランダム神経回路の深化

• Project/Area Number: 23K16965
• Research Category: Grant-in-Aid for Early-Career Scientists
• Allocation Type: Multi-year Fund
• Review Section: Basic Section 61040:Soft computing-related
• Research Institution: National Institute of Advanced Industrial Science and Technology
• Principal Investigator: 唐木田 亮 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 主任研究員 (30803902)
• Project Period (FY): 2023-04-01 – 2028-03-31
• Project Status: Granted (Fiscal Year 2023)
• Budget Amount: ¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000); Fiscal Year 2027: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000); Fiscal Year 2026: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000); Fiscal Year 2025: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000); Fiscal Year 2024: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000); Fiscal Year 2023: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
• Keywords: ニューラルネットワーク / 力学系 / 統計力学的解析 / ランダム行列

Outline of Research at the Start

本研究課題では, 深層学習に代表されるニューラルネットを用いた機械学習および人工神経回路の数理的基盤となる枠組みを, ランダム結合をもつニューラルネットに基づいた可解モデルによって構築する. 深層学習ではモデルが高次元の非線形変換を繰り返すだけでなく, 多種多様な学習手法の組合せが性能を決めており, そのままでは理論的な取り扱いが困難である. この問題に対し, ランダム結合パラメータを持つモデルでは複雑な動作を粗視化し, 性能を決める少数次元の理論式に縮約できる. また, 粗視化によって, モデルや学習の設定の詳細に依存しない普遍的な数理的基礎付けが実現できると期待される.