| 研究課題/領域番号 |
19K20344
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分61030:知能情報学関連
|
|---|
| 研究機関 | 大阪大学 (2020-2022)
神戸大学 (2019) |
|---|
研究代表者 |
松原 崇 大阪大学, 大学院基礎工学研究科, 准教授 (70756197)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2020年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2019年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
|
|---|
| キーワード | 深層学習 / 不確実性 / 異常検知 / 解釈可能性 |
|---|
| 研究開始時の研究の概要 |
本研究の目的は，深層学習のもつ柔軟性と汎化性能を保ちつつ，以下の問題を解決することにある．(a1) 深層生成モデルの出力分布の解析により，異常データに対する不適当な汎化を検出し，「何を知らないかを知っている深層学習」を実現する．(a2)「何を知らないかを知っている深層学習」によって学習が不十分なデータを検出し，一般的な識別問題の学習の高速化・高性能化を実現する．(b1) 構造化深層生成モデルを提案することで新しいデータグループの異常検知(zero-shot 異常検知) を実現する．(b2) 構造化深層生成モデルを一般化し，代表的な異常を検出しやすいモデル構造を提案する．
|
| 研究成果の概要 |
本研究では，深層学習のもつ柔軟性を保ちつつ，以下の問題を解決した．(a1) 深層生成モデルの出力分布を解析し，異常データに対する不適当な汎化を検出し，「何を知らないかを知っている深層学習」を実現した．(a2)上記成果によって学習が不十分なデータを検出し，一般的な識別問題の学習の高速化，信頼性や解釈性の向上を実現した．(b1) 構造化深層生成モデルを提案することで，新しいデータグループの異常検知(zero-shot 異常検知) を実現した．(b2) これらの知見を他の生成モデルに一般化し，代表的な異常を検出したりデータの意味を抽出するアルゴリズムやモデル構造を提案した．
|
| 研究成果の学術的意義や社会的意義 |
深層学習はデータさえ与えれば様々なタスクを実現できる一方，その信頼性や解釈性に対し疑問が投げかけられており，特に上手くいかない場合にデータを集める以外に解決策がないと考えられてきた．本研究は特に異常検知において，深層学習の柔軟性がむしろデメリットとして働くことを示し，そしてそれを解決するための解析方法を提案した．また深層生成モデルの構造化によって，専門家の知識や解析結果を考慮することが可能であることを示した．これらの成果は，深層学習の持つ根本的な問題点を大きく解決するとともに，人とAI技術が安心して共存していく未来社会の実現の一助となるものである．
|
