| 研究課題/領域番号 |
21H03511
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 補助金 |
|---|
| 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 | 大阪大学 (2022-2023)
九州大学 (2021) |
|---|
研究代表者 |
早志 英朗 大阪大学, データビリティフロンティア機構, 准教授 (00790015)
|
|---|
| 研究分担者 |
古居 彬 広島大学, 先進理工系科学研究科(工), 助教 (30868237)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| キーワード | ニューラルネットワーク / 深層学習 / ベイズ推定 / 希少データ |
|---|
| 研究成果の概要 |
医療データのような，データ収集にコストがかかり，ラベリングに専門知識が必要な希少なデータでは既存の深層学習アルゴリズムの適用が困難な場合が多い．そこで本研究では，希少データを適切に学習するための枠組みとして知識埋め込み型ベイズニューラルネットワークを提案するとともに，その基盤技術の開発や実データ応用研究を実施した．具体的には，データの分布を推定しながら識別器を学習することで必要なラベル付きデータ数を削減する方法や，識別器と人が協力することで学習に用いるデータを効率よく選択する手法を提案した．さらに，新生児動画像や筋電位といった実データ解析も行った．
|
| 自由記述の分野 |
パターン認識
|
| 研究成果の学術的意義や社会的意義 |
社会的意義としては，機械学習アルゴリズムを実データ解析に応用する際，データ収集やラベル付けに必要なコストを削減する技術を提案した点である．特に，医用データ解析では大規模データの収集そのものが難しく，ラベル付けにも医師の専門知識が必要となるため，有効な手段となる．学術的意義としては，単一の深層学習モデルで識別モデルと生成モデルを同時学習できる半教師あり学習や信頼度較正に有効な手法の提案や，相対ラベルを用いて学習できるベイズ深層学習モデルの提案とその妥当性の理論的証明が主な貢献となる．
|
