| Project/Area Number |
23KJ1723
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 国内 |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
松尾 信之介 九州大学, システム情報科学府, 特別研究員(DC1)
|
|---|
| Project Period (FY) |
2023-04-25 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥3,000,000 (Direct Cost: ¥3,000,000)
Fiscal Year 2025: ¥1,000,000 (Direct Cost: ¥1,000,000)
Fiscal Year 2024: ¥1,000,000 (Direct Cost: ¥1,000,000)
Fiscal Year 2023: ¥1,000,000 (Direct Cost: ¥1,000,000)
|
|---|
| Keywords | 機械学習 / 深層学習 / 組合せ最適化問題 / 弱教師あり学習 |
|---|
| Outline of Research at the Start |
本研究は，機械学習に基づく組み合わせ最適化問題への近似解法について，画像解析としての新しい視点の導入を試みる．例えば，2つの系列データ間のマッチング問題は，各要素間の非類似度を表すコスト行列から，最適なマッチングを表現する行列への一種の「画像変換タスク」と捉えられる．マッチング問題以外の他の組み合わせ最適化問題も，その入力が行列すなわち画像表現できるために，画像解析タスクによるアプローチで近似解を得られることが期待できる．機械学習による解法は，汎用的な方法に比べて，問題・ドメイン・データに潜む傾向を見出すことが可能であり，結果的に特定のタスクではより望ましい解が得られる可能性を秘めている．
|
| Outline of Annual Research Achievements |
当該年度，組合せ最適化問題について，それら問題を画像的に扱い，機械学習による近似解法を提案した．また，それ以外にも，弱教師と呼ばれるデータに対するラベルを用いた最適化問題にも取り組んだ．研究実績としては，国際会議論文3編(筆頭1編，共著2編)に加え，国内発表6件であった．
1) 組合せ最適化問題の画像表現による解法の提案
本研究では，巡回セールスマン問題を対象とした．巡回セールスマン問題は，複数の都市をそれぞれ１回通過する最短閉路を求める問題である．過言すれば，全都市を頂点とする完全グラフのうち，最短閉路に対応する部分グラフを求める問題と考えることができる．この完全グラフに対応する距離行列から，部分グラフを表現する隣接行列への変換を，一種の画像変換問題として捉え，それを機械学習の枠組みで実現した．
2) 弱教師あり学習 Learning from label proportions (LLP)に関する新たな最適化手法の提案
LLPは，インスタンス(=データ)の集合であるバッグのラベル比率から各インスタンスのクラスラベルを推論する弱教師付き学習問題である．LLPに対するデータ拡張手法に加え，あるクラスのラベル比率が不明なpartial label proportionsからの学習手法，大規模データの際問題となるGPUのメモリ不足の問題に対処する手法など実問題に則した手法開発も行なった．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
組合せ最適化問題の中でも，NP困難な巡回セールスマン問題に対して，機械学習を用いた画像解析的解法が有効であることを示すことができたためである．具体的には，本問題を距離行列から隣接行列への画像変換問題として捉え，セグメンテーションタスク(画像の領域分割タスク)によく用いられるU-Netを用い，実験から従来のGraph Neural Network (GCN)ベースの手法より高精度な解を推論できることを示した．
|
| Strategy for Future Research Activity |
今後は，提案した画像解析的アプローチが，最新の機械学習を用いた近似解法に導入できないか検討する．それら手法では，自然言語処理分野でよく用いられるTransformerに基づいており，通常，巡回する地点の座標が入力されるが，そこに距離行列を用いることができないかと考えている．また，本研究のアプローチは巡回セールスマン問題に限ったものではないため，本問題以外のグラフ問題への応用を試みる予定である．
|
