2021 Fiscal Year Annual Research Report
| Project/Area Number |
19H04180
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
石井 信 京都大学, 情報学研究科, 教授 (90294280)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 脳型人工知能 / ブレイン・マシン・インターフェース / 順逆強化学習 / 模倣学習 / 敵対事例学習 / ソフトコンピューティング |
|---|
| Outline of Annual Research Achievements |
被験者転移型デコーディングからみる個性の神経基盤
本項目に関わる画像変換技術は論文化された(Fujimoto, et al., Neural Networks, 2022)。京都大学からプレスリリースされ、日本経済新聞オンライン版で報道された。新型コロナウイルス感染症の影響により、fMRIベース静止画観視課題、および階層的意思決定課題の実施およびデータ解析に一部遅延があったが、必要な実験を終え、現在、データ解析結果のまとめ（論文執筆）に進んでいる。前者では、事前知識と観測における不確実性に関する神経基盤が明らかになると共に、被験者間の違い（個性）の定量化に進んでいる。後者では、階層的あるいは非階層的な意思決定を行う被験者集団があることが分かり、行動の違いが定量化できたので、現在それぞれの脳内処理基盤を調べているところである。
転移学習の人工知能への応用
敵対事例強化学習法については、二報の論文を投稿しているところである。敵対事例強化学習法をロボットシミュレータによるマルチタスク転移課題に適用したところ、シミュレータにおいては、従来法であるSAC法などよりも学習効率が良く、また、われわれ自身の先行研究である(Ohashi, et al., 2021)よりも安定な制御が可能であることが分かった。この成果については、制御およびロボティクスに関する国際会議で発表することになっている(Goto, et al., IFAC, 2023)。また、マルチタスクの見まね制御、および実機制御への応用についてもそれぞれ論文投稿中である。
|
| Research Progress Status |
令和3年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和3年度が最終年度であるため、記入しない。
|
-
-
-
[Journal Article] Deep learning-based image deconstruction method with maintained saliency2022
Author(s)
Fujimoto, K., Hayashi, K., Katayama, R., Lee, S., Liang, Z., Yoshida, W., Ishii, S.
-
Journal Title
Neural Networks
Volume: 155
Pages: 224-241
DOI
Peer Reviewed / Open Access / Int'l Joint Research
-
-
