| 研究課題/領域番号 |
18K11481
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分61040:ソフトコンピューティング関連
|
|---|
| 研究機関 | 明治大学 |
|---|
研究代表者 |
林 陽一 明治大学, 理工学部, 専任教授 (20189666)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2021-03-31
|
| 研究課題ステータス |
完了 (2020年度)
|
| 配分額 *注記 |
4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)
2020年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2019年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2018年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
|
|---|
| キーワード | ディープラーニング / ルール抽出 / 医用画像 / 深層学習 / ブラックボックス / 解釈性 / 説明能力 / 名義変数 / 分かりやすさ / 透明性 / 解釈可能性 / 構造化データ / 放射線画像 / ルール表現 / 病理画像 / 予測モデル / アンサンブル学習 / 高精度分類器 / 説明可能AI / 透明化 / 画像特徴抽出 |
|---|
| 研究成果の概要 |
一般に、ディープラーニングによる学習結果を分かりやすく説明することは困難でありしばしば”ブラックボックス”であると評される。ディープラーニングをどの様な対象に適用するかによってブラックボックスを許容できる範囲は異なる。本研究では医用画像に対する診断が厳しい説明責任をもつことを念頭においてDBNおよびCNNなどのディープラーニングからルール表現による説明能力の向上により説明責任を実現する方法を提案した。
|
| 研究成果の学術的意義や社会的意義 |
本研究の学術的な意義はディープラーニングを画像に対して適用する際、データセットが非構造化データセット（数値など）、非構造化データセット（コンピュータビジョン、産業応用画像）および非構造化データセット（医用画像）において学習方式および学習結果の説明能力と解釈性は大きく異なるので、それぞれに適したディープラーニングの方式を具体的に示した点にある。
この研究はクレジットスコアリング、peer-to-peerレンディング、材料画像、病理画像などの広範な応用範囲がありディープラーニングを核とした新しい人工知能システムの重要な起点になり日本における人工知能の研究および実応用を加速させる社会的な意義をもつ。
|
