|
本研究の目的は，深層学習のもつ柔軟性と汎化性能を保ちつつ，以下の問題を解決することにある．(a1) 深層生成モデルの出力分布の解析により，異常データに対する不適当な汎化を検出し，「何を知らないかを知っている深層学習」を実現する．(a2)「何を知らないかを知っている深層学習」によって学習が不十分なデータを検出し，一般的な識別問題の学習の高速化や，信頼性や解釈性の向上を含む広い意味での高性能化を実現する．(b1) 構造化深層生成モデルを提案することで新しいデータグループの異常検知(zero-shot 異常検知) を実現する．(b2) 構造化深層生成モデルを一般化し，代表的な異常を検出しやすいモデル構造を提案する．(c) 構造化深層生成モデルを用いたデータのモデル化をより一般的なモデル化手法として提案する．
(c)として，構造化深層生成モデルの高度化・汎用化に取り組み，特に強化学習における世界モデル(world-model)に用いることができることを明らかにした．また(b2)として，これまでは変分自己符号化器(VAE)を主に扱っていたのに対し，その成果を拡散モデルに応用し，医療データのように背景との境界が曖昧なデータにおける異常検知の精度向上を達成した．またこれまでに得られた(b1)の成果を敵対的生成ネットワーク(GAN)に応用し，学習済みモデルからの意味の抽出を高度に行えることを示した．当初計画の目標が達成されただけでなく，発展的な成果が様々に得られたことから，進捗状況は順調である．
|
