| 研究課題/領域番号 |
19K20290
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
椋田 悠介 東京大学, 先端科学技術研究センター, 講師 (50830874)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2023-03-31
|
| キーワード | パターン認識 / 群畳み込み / 不変性 |
|---|
| 研究実績の概要 |
昨年度に提起した、データから自動で不変性を獲得するための手法設計に取り組んだ。群表現を考慮することで畳み込み層の重みを事前に計算した基底による線形和で表すことができ、不変性の学習は線形和の係数のスパース構造を学習することに対応する。ただし部分群関係の階層性と基底の多様性、ニューラルネットワークの階層間での不変性の依存関係のためスパース性は複雑な依存関係を持つグループスパース制約となる。我々はこの依存関係を考慮したスパース損失の設計と、辞書学習に基づく不変性の学習手法を提案した。具体的には各不変性に対応する基底に対応する要素のみ非ゼロマスクした辞書を用意し、その足し合わせの係数にスパース制約をかけることによりグループスパースな辞書と各重みにおける辞書足し合わせ係数を同時に学習する。提案手法によりNeural Architecture Searchのような構造学習ベースの手法を用いるよりも効率よく不変性の学習が可能になると期待される。
群共変性を持つ特徴量から最終的に不変な特徴を得るための特徴量コーディング手法について考察した。入力特徴量間のテンソル積表現における不変表現成分を用いることで既存のコーディング手法の自然な拡張になり、かつ効率的に不変な特徴量だけ抽出する手法を提案した。
将来的に不変性の学習と学習された特徴量によるコーディングモデルの学習を同時に行うことで高性能な認識と効率的な不変性の獲得の両立が行われることが期待される。
|
| 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
本年度においてデータから不変性を獲得するための基本的なフレームワークを構築することができた。実際に実データに適用することで不変性の獲得具合や認識性能に関する解析や考察が可能になると期待される。
|
| 今後の研究の推進方策 |
実際に実データに適用し獲得した不変な特徴の解析を行い、想定通りの不変性を獲得していることを確かめる。
また、近年注目されている特徴学習手法である自己教師付き学習と不変なニューラルネットワークを組み合わせる手法について考察する。
|
| 次年度使用額が生じた理由 |
旅費が予定より安かったため。
差額は学会出張や物品購入費にあてる予定。
|
