| 研究課題/領域番号 |
20K19871
|
|---|
| 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 | 名古屋大学 |
|---|
研究代表者 |
松井 孝太 名古屋大学, 医学系研究科, 講師 (50737111)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2023年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2022年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2021年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2020年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | 適応的実験計画 / ベイズ最適化 / 能動的レベル集合推定 / 機械学習 / 転移学習 / 能動学習 / スモールデータ / 能動的転移学習 |
|---|
| 研究開始時の研究の概要 |
従来の機械学習の方法では，目標となるタスクで利用可能なデータが小規模である場合，類似した大量のデータを用いて適切な初期モデルを事前学習しておくことが必須であると言える．一方，医学や材料科学などの実験科学分野では，事前モデルを学習可能な大量のデータを取得することが困難な場合が多い．本研究で開発を行う能動的転移学習アルゴリズムは，目標タスクの予測モデルの学習に有用なデータを各リソースから取得するプロセスを最適化することで，従来よりも少ないデータ数で良い性能を発揮するモデルの獲得を実現するためのものである．
|
| 研究実績の概要 |
本年度は、理論研究として特に適応的実験計画としての能動学習手法の開発とその評価、対外発表、論文および書籍の執筆を行った。具体的には以下の3つの項目について取り組んだ。
（１）ベイズ最適化の書籍の執筆を行った。本書は適応的実験計画の枠組みの説明から始め、ベイズ最適化の理論および実装を高いレベルで習得できるような内容となっている。
（２）能動的レベル集合推定のための新しい獲得関数の提案を行なった。能動的レベル集合推定を含む一般の適応的実験計画では、データの少ない探索の初期段階にはあまり有効な候補点を取得できないコールドスタート問題がしばしば起こるが、提案手法によって探索初期段階で他の方法と比較して効率的な探索が可能となることを実験的に示した。本研究は機械学習の国際会議であるNeurIPSのワークショップ（https://openreview.net/group?id=NeurIPS.cc/2023/Workshop/ReALML）で発表を行なった。
（３）機械学習モデルを少ないテスト点で評価するための新たな適応的実験計画法の提案した。既存の能動学習手法のほとんどは機械学習モデルの訓練時に用いるデータ数を節約するための手法であるが、実際にはモデルをテストする際にもテスト精度を正しく評価するために多数のデータが要請される。本研究では、モデルのテスト時に少ないデータ数で十分精度良くテスト精度を推定するための能動学習の方法を提案し、既存の方法と実験的に比較してその有効性を示した。本研究は機械学習の国際会議であるNeurIPSのワークショップ（https://openreview.net/group?id=NeurIPS.cc/2023/Workshop/ReALML）で発表を行なった。
また、応用研究として、自身らが作成した疾患の診断モデルの新規バリデーション研究も行なった。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
本年度は方法論の研究、応用的研究それぞれで成果が得られた。また、書籍の執筆を通して能動学習および適応的実験計画という方法のアウトリーチを広く行うことができた。
能動的レベル集合推定のための新しい獲得関数は、例えば材料科学における様々な低品質領域推定問題に利用できる方法となっている。実際、共同研究者によって取得された太陽電池用シリコンインゴットの評価データによって性能を検証している。また、機械学習モデルの能動的評価のための適応的実験計画法は、様々な種類のモデルを評価対象とすることができる汎用的な方法であり、特に医学や材料科学のようなテストデータの収集に非常にコストがかかる領域において重要な技術となり得るものである。
疾患の診断モデルの新規バリデーション研究では、2017年に開発した心停止後症候群（PCAS）の神経学的予後の予測モデルに対して新たな集団のデータを用意し外的妥当性を検証するバリデーションを行なった。本スコアは、既に外部の研究者らによって複数のバリデーション研究が計画・実施されているが、今回の自身らによる新たな検証によって、その有効性および実用性に対するエビデンスがより強固になったと考えている。
以上のように、能動学習の方法開発および理論的研究について、また実問題を取り扱う応用研究および方法論のアウトリーチについて、おおむね順調に進んでいると判断することができる。
|
| 今後の研究の推進方策 |
本年度の活動では、能動学習・適応的実験計画の研究に大きな進展が得られた。今後の展開として、（１）転移学習側の方法論の拡張と応用、（２）両者を能動的転移学習の方法として統合することを考えている。
（１）については、複数の元ドメインから特定に目標ドメインにデータをのものを転移するための事例転移の方法を開発する。事例転移として定式化する理由は、医学研究や材料科学研究のような全体のデータ数が少ない問題では、モデルの学習にできるだけ多くのデータを利用できるようにすることが重要だからである。既存の多くの方法は、類似度の低いドメインのデータはドメイン単位で利用されないことが多く、転移学習を用いたとしてもサンプルサイズが小さい問題が解消できない可能性が少なくない。これを解決するような事例転移アルゴリズムを開発し、実際の臨床試験のデータに適用してその有効性を検証することを計画している。
（２）については、（１）で開発した方法を援用した過去データを利用可能な適応的実験計画のアルゴリズムを開発することを考えている。
|
