| 研究課題/領域番号 |
22K21302
|
|---|
| 研究種目 |
研究活動スタート支援
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
1002:人間情報学、応用情報学およびその関連分野
|
|---|
| 研究機関 | 東京工業大学 |
|---|
研究代表者 |
Phua Yin・Jun 東京工業大学, 情報理工学院, 助教 (20963747)
|
|---|
| 研究期間 (年度) |
2022-08-31 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023年度)
|
| 配分額 *注記 |
2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
2023年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2022年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
|---|
| キーワード | 深層学習 / ニューロシンボリック / 記号推論 / 知識発見 / ニューラルシンボリック / 深層機械学習 |
|---|
| 研究開始時の研究の概要 |
本研究では新たな知識を発見できる人工知能(AI)を目指している．近年，タンパク質の構造を予測できるAIが発表されたが，その本質となる構造に関わる科学のメカニズムは解明されていない．これはそのAIに使われた技術がブラックボックスであることから起因している．この研究では，AIが直接「答え」を学習するのではなく，その「答え」に導くルールや説明を学習させる．それにより，AIが学習できたことを直接人間でも理解し取り込むことができる．
|
| 研究成果の概要 |
本研究では，深層学習を用いて新たな人間の理解可能な知識を出力する手法について研究を行なった．まず，アンサンブルと呼ばれる複数のモデルを同時学習させる手法を用いて，モデルから捉えられる重要な要素の安定性を向上させた．次に，知識抽出から開発されたデータ生成の手法を，生成AIを用いて増分学習の分野での応用を行なった．これにより，知識抽出の手法は記号推論だけでなく一般的な深層学習手法でも応用が可能であることを示した．さらに，既存の記号知識に存在するノイズに対する頑健なグラフニューラルネットワークモデルを提案した．
|
| 研究成果の学術的意義や社会的意義 |
学術的意義として，実験データから重要な要素を抽出する基盤技術に貢献することができた．また，記号推論でよく使われる手法として，学習データを生成する手法は深層機械学習にも応用が可能であることを示した．さらに，生成AIの学術的応用を示すこともできた．社会的には，ノイズに対して頑健な手法を提案することで，実世界のデータをそのまま応用することが可能となる技術の開発に貢献した．本研究で開発した手法をさらに展開させることにより，実験データから新たな知識を抽出することができるAI技術へつながることが考えられる．
|
