| 研究課題/領域番号 |
20H04240
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分61030:知能情報学関連
|
|---|
| 研究機関 | 横浜国立大学 |
|---|
研究代表者 |
白川 真一 横浜国立大学, 大学院環境情報研究院, 准教授 (90633272)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
17,160千円 (直接経費: 13,200千円、間接経費: 3,960千円)
2022年度: 5,980千円 (直接経費: 4,600千円、間接経費: 1,380千円)
2021年度: 5,980千円 (直接経費: 4,600千円、間接経費: 1,380千円)
2020年度: 5,200千円 (直接経費: 4,000千円、間接経費: 1,200千円)
|
|---|
| キーワード | 機械学習 / 最適化 / 計算グラフ / 進化計算 / 知識獲得 / 構造最適化 / 勾配法 |
|---|
| 研究開始時の研究の概要 |
現在の深層学習は，内部処理の解釈が困難，演算量やメモリ使用量が膨大でリソース効率が悪い，といった課題を抱えている．本研究では，処理内容が解釈可能な演算ユニットからなる計算グラフの構造を学習することで，これらの課題を解決する新しい機械学習フレームワークを開発する．開発する方式では，各演算ユニットの役割が解釈容易かつパラメータ数が削減されるため，内部処理の解釈性やリソース効率の改善が期待できる．さらに，構造学習の効率を高める学習方式を開発し，深層学習に匹敵する性能の実現をねらう．本研究は，深層学習を社会実装する際にボトルネックになっている課題の解決につながると考えられる．
|
| 研究成果の概要 |
本研究では、計算グラフの構造を最適化することで、データから知識表現モデルを学習する機械学習方式を開発した。開発方式では、処理内容が解釈可能な演算ユニットからなる計算グラフを考えることで、解釈性やリソース効率の良いモデルの獲得ができることを確認した。また、構造最適化のスケーラビリティや効率性を高めるために、確率緩和や連続緩和と呼ばれる緩和方式を利用した勾配法に基づく最適化手法の開発と改良を実施した。
|
| 研究成果の学術的意義や社会的意義 |
本研究で開発した計算グラフの構造最適化に基づく機械学習方式は、モデルの構造自体を効率的に学習できるという利点がある。これにより、解釈可能な演算ユニットからなる計算グラフの学習や、コンパクトな構造の学習が可能となるため、解釈性や計算効率の良いモデルが求められる応用で活用できる。さらに、本研究で開発した最適化方式は、計算グラフの構造最適化以外の問題にも応用できる可能性がある。
|
