深層生成モデルによる潜在空間を用いたデータ拡張や転移学習手法の構築

2022 年度 研究成果報告書

• 研究課題/領域番号: 19K12164
• 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61040:ソフトコンピューティング関連
• 研究機関: 立命館大学
• 研究代表者: 西川 郁子 立命館大学, 情報理工学部, 教授 (90212117)
• 研究期間 (年度): 2019-04-01 – 2023-03-31
• キーワード: 深層生成モデル / 潜在空間 / 異常検知 / ドメイン適応 / データ拡張 / エントロピー

研究成果の概要

深層生成モデルの潜在空間の利用として、主にドメイン適応と教師なし異常検知に取り組んだ。潜在空間の獲得には、符号化器と生成器を同時に獲得する自己符号化器や変分自己符号化器のほか、敵対的学習で生成器を獲得後に得られた潜在空間への符号化器を獲得する手法、複数の符号化器、生成器、分類器を組み合わせることでタスク固有空間とドメイン固有空間に分割して獲得する手法などを新たに提案した。それらを用いて、分類タスクにおける一般化ドメイン適応手法の提案、教師なし異常検知による生物データの逆遺伝学的アプローチなどを行った。

自由記述の分野

機械学習・最適化

研究成果の学術的意義や社会的意義

生成モデルが、画像や音声、言語など多様なデータ形式に対して、精度の高いデータを出力できるのは、データをその実世界での姿に依存しない形で抽出し表現できているからです。その表現を、実世界での姿に依らないデータの本質だと期待して、潜在表現と呼んでいます。対象とするデータに対して良い潜在表現を獲得する方法を提案し、潜在空間上でのデータ間の相互関係やデータ分布を使うことで、あるデータセットでの学習結果を他のデータセットに転用して利用できるドメイン適応や、異常データ検知器の構築に正常データだけを用いる学習などを、高精度で実現しました。