| 研究課題/領域番号 |
21K21280
|
|---|
| 研究種目 |
研究活動スタート支援
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
1001:情報科学、情報工学およびその関連分野
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
鈴村 豊太郎 東京大学, 情報基盤センター, 教授 (70552438)
|
|---|
| 研究期間 (年度) |
2021-08-30 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
3,120千円 (直接経費: 2,400千円、間接経費: 720千円)
2022年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2021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 | グラフニューラルネットワーク / 機械学習 / 人工知能 / グラフ解析 / 大規模データ / 高性能計算 / スーパーコンピュータ / 金融 / 大規模データ処理 / ホロポーテーション |
|---|
| 研究開始時の研究の概要 |
本研究では、人工知能技術にとって極めて重要なグラフ構造とその様々な実社会の応用問題に対して共通して見られる、「大規模不均衡グラフデータの機械学習問題」に対して、新たなグラフニューラルネットワーク（GNN）モデルと、自動的なグラフデータの前処理、後処理、人間によるフィードバックなどを含めたより汎用的なソフトウェアアーキテクチャを設計、提案する。
|
| 研究成果の概要 |
本研究では、実世界アプリケーションのデータ表現として用いられるグラフ構造の中でも、不均衡ラベルを持つグラフデータ、長時系列の動的グラフデータの特徴を捉えるGNNモデルとソフトウェアアーキテクチャの最適化を提案した。不均衡ラベルに対しては、ヘテロジニアスグラフを構築し、ヘテロジニアスGNNモデルで学習する方法を提案することで、金融取引ネットワークの不正アカウント予測において高い性能を実現した。また、動的な大規模グラフの特徴を長期的なコンテキストで捉えるSpectral Waveletを、トポロジカルデータ解析で知識グラフの関係性の補完を効率的に評価する手法をそれぞれ提案した。
|
| 研究成果の学術的意義や社会的意義 |
大規模グラフデータを扱う機械学習などの研究では、動的なグラフ構造の変化、インバランスなラベルが要因となるモデル性能の問題を解決することは必須の課題である。本研究と並行して企業（自動車会社、新聞社、人材紹介会社）との共同研究を進めていく中でもこれらの課題が本質的な課題であることを確認しており、学術的な意義ばかりではなく社会的にも大きな意義のある研究成果と言える。
|
