ブロックデザインのディープラーニングへの応用とその構成

2022 年度 研究成果報告書

• 研究課題/領域番号: 19K11866
• 研究種目: 基盤研究(C)
• 配分区分: 基金
• 応募区分: 一般
• 審査区分: 小区分60030:統計科学関連
• 研究機関: 東京理科大学
• 研究代表者: 宮本 暢子 東京理科大学, 理工学部情報科学科, 教授 (20318207)
• 研究分担者: 三嶋 美和子 岐阜大学, 工学部, 教授 (00283284) ; 地嵜 頌子 大阪工業大学, 情報科学部, 講師 (90778250)
• 研究期間 (年度): 2019-04-01 – 2023-03-31
• キーワード: 組合せデザイン / ディープラーニング / ドロップアウト / ドロップコネクト / 有限幾何 / 最適性

研究成果の概要

ディープラーニングにおいて，過学習を避けるための手法の一つとしてドロップアウト法およびドロップコネクト法が用いられる. 本研究では, ドロップアウト法とドロップコネクト法でランダムにノー ドや辺を不活性化する代わりに, ノードの使用頻度, 辺の結合の仕方をバランスさせた 2 種類の組合せ構造 dropout design (DD)及び spanning bipartite block design (SBBD)を提案し, その構成法を与えた. またSBBDを用いた統計モデルのパラメータの推定精度に関して, ある種の最適性を満たすことを示した.

自由記述の分野

組合せデザイン理論

研究成果の学術的意義や社会的意義

1920 年代に R.A. Fisher によって発展された実験計画法は，精度よく要因の効果を得ることを目的とした効率の良い実験の計画を与えるための統計的手法であり，農業実験から工業実験，マーケティングの分野で活用されてきた. 実験計画法では，ある種の均一性をもつ組合せ構造である直交配列やブロックデザインなどが用いられる. 本研究においてディープラーニングへ応用するために新しい組合せ構造を提案し, その有用性について検証したことは機械学習と実験計画法を繋ぐ新しいアプローチであると考える.