研究課題
基盤研究(C)
時系列データのパターン認識に適した高速機械学習モデルの開発を目的として、リザバー計算を軸とした発展的機械学習モデルの構築およびその性能評価を行った。時系列データのリサンプリングやフィルタリングによる特徴抽出の導入、マルチリザバー計算モデルの拡張、転移学習に動機を得たオンライン学習手法、異種演算素子から成るリザバーの活用、などを通じて発展的な機械学習モデルを提案し、それらが時系列パターン認識タスクにおける計算性能の向上や計算効率の改善に有効であることを示した。
複雑系動力学
本研究では、主にリザバー計算と他の計算手法の融合による高速機械学習モデルの開発を行った。異種計算モデルの融合に基づく高速機械学習手法は計算性能や計算効率の向上に有用であることが分かった。開発したモデルは、頻繁に学習計算をし直す必要のある環境や計算資源に制約がある環境における計算技術として有望であり、IoT社会においてエッジコンピューティング用の人工知能の基礎になると期待される。
