テンソルツリーによる生成モデル構築のスキーム

―生物系統樹など、因果関係の解明が可能―

この研究の主な対象者
企業・研究者の方
公開日 2026年01月23日

概要

原田健自 情報学研究科助教、赤松克哉 東京大学特任研究員（研究当時：同博士後期課程学生）、川島直輝 同教授、大久保毅 同特任准教授の共同研究チームは、生成モデリングの代替パラダイムとして、対象確率分布をモデル化する単層非負値適応テンソルツリー（NATT）の構造最適化スキームを提案しました。
　本手法では、ネットワーク構造そのものが確率のネットワークという意味を持つため解釈が容易です。
　社会のさまざまな面に応用されつつある人工知能や機械学習のベースになる生成モデリングの枠組みとして、現在主流になっているものとは大きく異なる方法となっており、特に多数の要因が絡み合っているような因果関係の解明などへの応用が期待されます。
　本研究成果は、2026年1月22日に、国際学術誌「Machine Learning: Science and Technology」に掲載されました。

画像

詳しい研究内容について

テンソルツリーによる生成モデル構築のスキーム―生物系統樹など、因果関係の解明が可能―

研究者情報

研究者名 原田 健自
京都大学 教育研究活動データベース

書誌情報

【DOI】
https://doi.org/10.1088/2632-2153/ae3048

【KURENAIアクセスURL】
http://hdl.handle.net/2433/299060

【書誌情報】
Katsuya O Akamatsu, Kenji Harada, Tsuyoshi Okubo, Naoki Kawashima (2026). Plastic tensor networks for interpretable generative modeling.Machine Learning: Science and Technology, 7, 1, 015014.

関連部局

情報学研究科