| 研究課題/領域番号 |
17K12734
|
|---|
| 研究種目 |
若手研究(B)
|
| 配分区分 | 基金 |
|---|
| 研究分野 |
知能情報学
|
|---|
| 研究機関 | 東京工業大学 |
|---|
研究代表者 |
田村 康将 東京工業大学, 情報理工学院, 助教 (50773701)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2022-03-31
|
| 研究課題ステータス |
完了 (2021年度)
|
| 配分額 *注記 |
4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
2020年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2019年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2018年度: 2,340千円 (直接経費: 1,800千円、間接経費: 540千円)
2017年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
|
|---|
| キーワード | 半教師あり学習 / 群知能 / 深層学習 / 機械学習 / 合意形成 / 自己学習 / 分散学習 |
|---|
| 研究成果の概要 |
深層学習の適用において，膨大な訓練データを作成する作業は非常に高コストである．訓練データ数を削減しながら精度の高いモデルを生成することを目的とし，群知能研究の知見を応用した複数のニューラルネットワークによる半教師あり学習の手法を提案し，いくつかのタスクについて有効性の検証を行なった．
提案手法は，特定のタスクにおいて計算量の増大を許容できる場合という制限つきではあるものの，競合手法と同等の精度でモデルを構築できることを示した．一方で，手法中で扱う複数のニューラルネットワークは必ずしも同一の構造を持っている必要がないため，最適な構造を事前に決定するコストの削減に寄与する．
|
| 研究成果の学術的意義や社会的意義 |
深層学習はいまやAI研究の根幹をなす技術であり，自動運転車における周辺環境の知覚タスクや，カメラ映像などを入力とした自動監視システムなど，さまざまな実応用がなされている．今後さまざまな新たなサービスやシステムへの適用も期待される技術である一方，特に新規参入分野では訓練データの収集や最適なネットワーク構造の設計などに多大なコストを要求される．本研究は，こうしたコストを削減することが期待できる．提案手法は，訓練データ数の削減については競合手法と同程度の性能を保ちつつ，複数の有望なネットワーク構造の並列学習によって，利用者に最終的に使用するモデルについて複数の選択肢を与えることが可能である．
|
