研究課題
基盤研究(B)
本研究では、計算グラフの構造を最適化することで、データから知識表現モデルを学習する機械学習方式を開発した。開発方式では、処理内容が解釈可能な演算ユニットからなる計算グラフを考えることで、解釈性やリソース効率の良いモデルの獲得ができることを確認した。また、構造最適化のスケーラビリティや効率性を高めるために、確率緩和や連続緩和と呼ばれる緩和方式を利用した勾配法に基づく最適化手法の開発と改良を実施した。
知能情報学、人工知能
本研究で開発した計算グラフの構造最適化に基づく機械学習方式は、モデルの構造自体を効率的に学習できるという利点がある。これにより、解釈可能な演算ユニットからなる計算グラフの学習や、コンパクトな構造の学習が可能となるため、解釈性や計算効率の良いモデルが求められる応用で活用できる。さらに、本研究で開発した最適化方式は、計算グラフの構造最適化以外の問題にも応用できる可能性がある。
