• 研究課題をさがす
  • 研究者をさがす
  • KAKENの使い方
  1. 課題ページに戻る

2022 年度 実績報告書

証明可能・説明可能・効率的・頑健な深層学習と大規模マルチメディア検索への応用

研究課題

研究課題/領域番号 21F50377
配分区分補助金
研究機関国立情報学研究所

研究代表者

佐藤 真一  国立情報学研究所, コンテンツ科学研究系, 教授 (90249938)

研究分担者 LIU HONG  国立情報学研究所, コンテンツ科学研究系, 外国人特別研究員
研究期間 (年度) 2021-11-18 – 2024-03-31
キーワード敵対的学習 / 深層学習 / 証明可能
研究実績の概要

深層学習は、特に画像・映像の意味解析において、極めて高精度の解析が可能であることが広く認識されており、自動運転、医療における自動診断、eコマースなどにおいての応用が期待されており、すでに利用も開始されている。一方、深層学習の学習はブラックボックスの状況で行われ、なぜ高い精度が出るのかの説明ができない、どういうときに認識誤りが起こるのか不明、さらにはシーンに微小な操作を加えることにより深層学習に認識誤りを起こさせる敵対的攻撃の問題(人間が見れば明らかに「止まれ」の標識なのに、深層学習ではそう認識できないようにシーンに加工を加える)が知られている。本研究では、こうした問題に総合的に取り組み、証明可能・説明可能・効率的・頑健な深層学習の枠組みの構築を目的とする。加えて、マルチメディア検索を対象として、この枠組みが実際に効果的に機能することを示す。
2022年度には、証明可能な深層学習の枠組みについて検討を行った。特に敵対的学習について網羅的な実験を行い、効果的で頑健な敵対的学習手法の提案を行った他、画像検索等への応用の検討を実施した。

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

当初予定通り、理論解析を深めていくとともに、応用への展開も実現してきており、順調に進展している。

今後の研究の推進方策

2023年度は最終年度であり、研究を取りまとめていく予定である。

  • 研究成果

    (2件)

すべて 2023 2022

すべて 雑誌論文 (2件) (うち国際共著 2件、 査読あり 2件)

  • [雑誌論文] Mitigating robust overfitting via self-residual-calibration regularization2023

    • 著者名/発表者名
      Liu Hong、Zhong Zhun、Sebe Nicu、Satoh Shin'ichi
    • 雑誌名

      Artificial Intelligence

      巻: 317 ページ: 103877~103877

    • DOI

      10.1016/j.artint.2023.103877

    • 査読あり / 国際共著
  • [雑誌論文] Towards Robust Person Re-Identification by Defending Against Universal Attackers2022

    • 著者名/発表者名
      Yang Fengxiang、Weng Juanjuan、Zhong Zhun、Liu Hong、Wang Zheng、Luo Zhiming、Cao Donglin、Li Shaozi、Satoh Shin'ichi、Sebe Nicu
    • 雑誌名

      IEEE Transactions on Pattern Analysis and Machine Intelligence

      巻: TBD ページ: 1~17

    • DOI

      10.1109/TPAMI.2022.3199013

    • 査読あり / 国際共著

URL: 

公開日: 2023-12-25  

サービス概要 検索マニュアル よくある質問 お知らせ 利用規程 科研費による研究の帰属

Powered by NII kakenhi