【研究領域課題番号】22H02003 (KAKENデータベースで見る）

【研究キーワード】

混相流 / 気液二相流 / 熱流動 / 機械学習 / 深層学習

【研究種目】基盤研究(B)

【研究期間】2022-04-01 - 2025-03-31

【配分額】17,420千円 (直接経費: 13,400千円、間接経費: 4,020千円)

【研究領域課題番号】21H01191 (KAKENデータベースで見る）

【研究キーワード】

前震活動 / 機械学習 / 地震活動 / 深層学習 / 震源カタログ構築

【研究成果の概要】

本研究の目的は，独自の稠密観測データから小さな地震を徹底的に探索して超高品質の地震カタログを作成し，大地震発生前に見られる前震活動が本質的な意味での前兆かを，現実の複雑性を適切に反映した地震活動モデルで検証することである．本年度は，高効率・高精度の地震カタログを作成する手法の開発を目指し，イベント検出・走時検測・P波初動極性読み取り・震源決定などにおいて深層学習の利用を試みた．構築した手法を利用し，長野県西部・山陰・近畿地方に展開している稠密地震観測網および周辺の定常観測点のデータを統合処理して，広域にわたる多点のイベント波形データセットおよび自動震源・読み取りデータセットを構築した．また，室内水圧破砕実験で得られたAEデータに深層学習によるP波初動極性読み取りを行い，10供試体の実験，５万個ほどのAEイベントのモーメントテンソル解を評価し，結果を出版した．連続波形の中から地震による類似波形を自動検出する手法の改良も試み，波形相関法を従来より1万倍程度高速化することにも成功した．同手法により1ヶ月程度の連続波形であれば相関係数を計算可能であることを示した．
中規模の地震活動がETASによる予想に比べ明瞭に静穏化した事例が1970年代から多く報告されている．この傾向が有意なものかを検証するため，客観的ルールを設定して成績を評価したところ，ルールのパラメタを調節すると偶然では説明しがたい良い成績が得られた．ただし，パラメタの調整において過学習が起きている可能性を考慮し，学習と成績評価に使うデータ期間を別期間にするクロスバリデーションを試みたところ，サンプル数が少なく，明瞭な結論は得られなかった．しかしながら，本手続きは一般性があり，静穏化に限らず前震等さまざまな現象の先行性評価に用いることができる．

【研究種目】基盤研究(B)

【研究期間】2021-04-01 - 2024-03-31

【配分額】17,550千円 (直接経費: 13,500千円、間接経費: 4,050千円)

【研究領域課題番号】21H02814 (KAKENデータベースで見る）

【研究キーワード】

パーキンソン病 / 深層学習 / iPS細胞 / 機械学習 / 高速3Dフローイメージャー

【研究成果の概要】

パーキンソン病症例の9割を占める孤発性症例は臨床症状からもその原因が多様な集団と予測され、疾患修飾治療法の開発にはその層別化が必須と考えられる。申請者は孤発性症例の患者iPS細胞表現型を遺伝性症例と比較しながら解析し、その表現型から分類することができれば最適な治療の開発につながると考え研究を進めてきた。しかしながら通常の統計解析手法では細胞表現型のデータから孤発性症例を層別化することが困難であったという課題が浮かび上がった。そこで本研究では、申請者がこれまで樹立した数百例の孤発性パーキンソン病患者iPS細胞由来ニューロンに対して　①細胞染色画像情報の直接の機械学習　②高速3Dイメージャーを用いたハイスループットな細胞3D形態情報の取得とその機械学習　という2つの方法を用いることにより、各症例を客観的に分類可能な独自のシステムを構築することを目標とした。本研究の結果で孤発性症例が分類されれば、その成果を応用した新たな疾患修飾薬を用いた根本的治療の開発が期待できる。今年度は機械学習の分類器の精度を向上させるために8種類の遺伝性PD-iPS細胞でさらに多くの表現型の取得を進め、機械学習の判別精度を従来よりも高めることに成功した。太田らが開発した高速3Dフローイメージャーを用いてハイスループットに細胞画像データを取得し、機械学習をそのデータに適用し 細胞形態情報からPD患者と健常者の識別を試みるための高速3Dフローイメージャーの最適化を行った。

【研究種目】基盤研究(B)

【研究期間】2021-04-01 - 2024-03-31

【配分額】17,160千円 (直接経費: 13,200千円、間接経費: 3,960千円)

【研究領域課題番号】21H03170 (KAKENデータベースで見る）

【研究キーワード】

患者の悩み / 患者の実践知 / ソーシャルメディア / 自然言語処理 / 機械学習 / 深層学習

【研究成果の概要】

本研究では、ソーシャルメディアから得られる患者テキストを患者ケアの充実に活かす基盤づくりを目指して、患者の治療・生活上の悩みに関するエピソード、及び患者の実践知を抽出する自然言語処理（Natural Language Processing、NLP）システムの開発を進めている。本年度（2021年度）は、患者ブログから副作用疑いや悩みの記述を抽出する深層学習モデルの構築に取り組んだ。主な成果を以下に示す。
1）手足症候群疑い患者の抽出手法の構築：手足症候群は抗がん薬の中止につながりうる副作用であり、自覚症状が主な発症シグナルとなる。患者は生活に来した支障をブログに記述・発信することがあり、そこには診療時には表面化しない副作用のシグナルが含まれる可能性がある。本研究では、がん患者ブログから手足部位情報を含む文を取得後、NLPの深層学習手法（Bidirectional Encoder Representations from Transformers, BERT）を用いて、手足症候群疑いの症状を記述しているユーザーを特定する分類器を構築した。
2）乳がん患者の悩み抽出手法の構築：乳がん患者の悩みは多岐にわたり、多角的な支援が必要である。本研究では、BERTを用いて、乳がん患者ブログから5種の悩み（診療の悩み、身体の苦痛、心の苦悩、就労・経済的負担、家族・周囲の人との関係）が含まれるブログ記事を悩みの種類（複数の場合もあり）とともに抽出可能なマルチラベル分類器を構築した。本モデルは、主要な悩みである「身体の苦痛」について特に高い性能で抽出可能であった。

【研究種目】基盤研究(B)

【研究期間】2021-04-01 - 2024-03-31

【配分額】16,640千円 (直接経費: 12,800千円、間接経費: 3,840千円)

【研究領域課題番号】20H03244 (KAKENデータベースで見る）

【研究キーワード】

画像解析 / 深層学習 / 機械学習 / 細胞系譜 / 細胞追跡

【研究成果の概要】

令和3年度は連続する2つの時刻間の細胞の対応関係1つずつに対してコストの算出を行う学習モデル(1対1モデル)を構築した。研究協力者である近畿大学山縣研究室から提供いただいたマウス胚4次元蛍光顕微鏡画像を入力とし、畳み込みニューラルネットワーク(CNN)を用いて物体の特徴を抽出することでマウス胚(核)の形態的特徴を活用したトラッキングアルゴリズムの開発を行った。細胞核の形状取得には既に当研究室にて実装が完了している深層学習を用いた細胞同定アルゴリズムであるQCANetを用い、研究協力者である東京大学小林徹也博士に提供いただいた整数計画法によるトラッキングアルゴリズムを基盤に深層学習による拡張を行った。提供いただいた整数計画法によるトラッキングアルゴリズムはトラッキングのコストを最小化する最適化問題を解くアルゴリズムとして構成され、コストは時系列画像のフレーム間毎の各細胞同士の重心間距離が採用されている。当該年度は上記アルゴリズムを拡張し、細胞核の形状から特徴を抽出し連続する2つの時刻間の細胞の対応関係1つずつに対してコストの算出を行う学習モデル(1対1モデル)を構築した。1対1モデルは先行研究と比較して高精度なコストを推論することに成功している一方、全細胞の対応関係のコストを求める必要があるため実行時間が膨大になるという問題点が残っている。

学術論文はまだ出ていないが、招待講演3回、ポスター発表1報にて本研究の進捗を報告した。

【研究種目】基盤研究(B)

【研究期間】2020-04-01 - 2023-03-31

【配分額】17,550千円 (直接経費: 13,500千円、間接経費: 4,050千円)

【研究領域課題番号】20H04239 (KAKENデータベースで見る）

【研究キーワード】

不確実性 / 機械学習 / 確率予測 / 深層学習 / 医用画像 / 細胞画像 / 汎化能力 / 学習理論 / PAC Bayes

【研究成果の概要】

深層学習の診断予測確率を補正する方法を開発し，機械学習分野の難関国際会議であるAISTATS2021で発表した．
医療の現場では, 症例に関する識別結果よりもその症例である可能性の確率を出力することが重要視される場合がある．例えば今回の研究で具体的に扱った血液検査ではすべての細胞を肉眼で網羅的にチェックすることができないため，異常細胞をその異常確率でリストアップすることは重要である．また，明らかに異常細胞というのが分かるだけでなく，人の判断が分かれるような不確実なデータに対してその不確実性を定量化することが重要である．
しかし，深層学習を用いた判断では，その予測確率を出力すると自信過剰な確率予測をすることが知られている．例えば，99%の確率でこの細胞はがん細胞であると判断したのであれば，そのような細胞画像を100枚持ってくれば，その中で判断の誤りは1枚程度であることが望ましいものの実際には，自信過剰に，つまり，多くの判断で高い(極端な)確率を出力をして判断結果を出力してしまう．本研究では，特に医療分野を背景とし，１つのデータに対して複数人が判断をする場合を想定し，その判断の正答率を反映し予測確率を補正するalpha-calibrationを提案した．提案手法は学習済モデルに対して補正することができるので再学習する必要はない．この方法は単なる予測の不確実性だけでなく，人の判断の不一致度も推定することができるため専門家の判断が難しい症例の予測が可能となる．さらに専門家の判断により予測確率を更新することができるためセカンドオピニオンの必要性も定量化可能である．

深層学習における確率的勾配の性質を拡散定理により解析し機械学習の難関国際会議であるICLRで発表した．確率的勾配に現れる摂動の性質に着目し，学習のダイナミクスを解析することで損失関数の非平坦な解への回避に関する性質を解明した．

【研究種目】基盤研究(B)

【研究期間】2020-04-01 - 2025-03-31

【配分額】17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)

【研究領域課題番号】20K21788 (KAKENデータベースで見る）

【研究キーワード】

仮想化技術 / セキュリティ / 深層学習 / 機械学習 / マルウェア

【研究成果の概要】

本研究では、深層学習と仮想化技術を融合したバンキングマルウェア対策に関する研究をおこなった。バンキングマルウェアには亜種が多いという特徴を活用して、深層学習により高い精度で亜種の分類をおこなうことができる手法を研究した。また、仮想化技術との融合を目指して、仮想化技術で取得可能なバイナリレベルでのデータからマルウェア画像を生成して検知可能な技術に関する研究をおこなった。秘匿化対策のためのラベルの工夫なども取り入れた上で、深層学習の様々なモデルとパラメータの組み合わせを探索した結果、最新のモデルで転移学習の程度を低めに抑えることで高い分類精度が得られることがわかった。

【研究の社会的意義】

近年は非常に多数のマルウェアが登場しており、実際に様々なセキュリティ上の被害が継続的に発生し続けているのが現状である。本研究では、最新の深層学習技術と仮想化技術を融合することで、高い精度でマルウェアを検知することができて、かつマルウェアが回避できないシステムの構築に向けた基礎研究を実施した。この技術を発展させることにより、将来的にマルウェアによる被害を大幅に低減できるシステムが実用化されることが見込まれる。

【研究種目】挑戦的研究(萌芽)

【研究期間】2020-07-30 - 2022-03-31

【配分額】6,500千円 (直接経費: 5,000千円、間接経費: 1,500千円)

【研究領域課題番号】20H04165 (KAKENデータベースで見る）

【研究キーワード】

並列処理 / 機械学習 / 異種アーキテクチャ / メモリ階層 / プログラミング / 並列計算 / 深層学習 / GPU / マルチコア / 局所性

【研究成果の概要】

以下の研究項目について研究を推進した。
(a) 演算カーネルレベルのマルチコア/SIMD並列性の活用：本項目ではまず、ドメイン特化型言語(DSL)Halideにより、反復をまたぐブロッキング技術を含めたステンシルカーネルを対象とし、開発コストの低減とCPU/GPU上の高性能の両立が可能であることを示した。そしてハンドコーディングしたカーネルとの性能比較を行った。その中途成果について情報処理学会SWoPPで発表した。並行して、映像検出タスクの一種であるSingle Shot Detector (SSD)を対象とし、必要なカーネルを洗い出し、cuDNNなどの既存ライブラリのみでは不足であると判断した。そのため、SSDに必要なカーネルをCUDAで実装(現在はハンドコーディング)し、先行研究による実装よりも高速な実装を実現した。この内容について国際会議に投稿した。
(b) 水平・垂直方向の演算・データスケジューリング：マルチGPU環境において、モデル並列とデータ並列を併用するハイブリッド並列を行うフレームワークのプロトタイプを完成させた。負荷バランスとAll-reduce対象プロセス数の低減が見込める一方、プロセス間の通信パターンが複雑になるために通信処理の順序やスレッド数が性能に大きく影響することを示した。それらの課題の改良を行い、情報処理学会SWoPPで発表した。引き続き、ニューラルネットワーク構造およびハードウェア構造を考慮したマッピングの改良の研究を進めている。並行して、音声認識手法であるAugment Adversarial Training (AAT)を主対象として、マルチGPUにおけるハイブリッド並列アルゴリズムを検討し、プロトタイプ実装を行った。
以上の一部の研究は産総研・東工大 実社会ビッグデータ活用 オープンイノベーションラボラトリとの協働で行った。

【研究種目】基盤研究(B)

【研究期間】2020-04-01 - 2023-03-31

【配分額】17,550千円 (直接経費: 13,500千円、間接経費: 4,050千円)

【研究領域課題番号】20K21700 (KAKENデータベースで見る）

【研究キーワード】

看護工学 / 画像認識 / 画像識別 / 褥瘡 / 深層学習 / ディープラーニング / リアルワールドデータ / 看護理工学 / スキンテア / 機械学習

【研究成果の概要】

臨床において病棟の回診などで蓄積されてきた多量の創傷のデジタルカメラによる撮影画像データをもとにDeep Learningを中核とする機械学習を行うことで創傷の識別モデルを構成し，新たに撮影する創傷の画像の自動分類を行うソフトウェアを開発した。このソフトウェアに基づき、計算される創傷の重症度や治癒度の客観的スコアを看護師をはじめとする創傷評価者へ提示することで、超音波エコー画像などと組み合わせて傷を単に目で見るだけでなく匂いや患者病態も見ているヘルスケアプロフェッショナルの経験や知識に基づくスコア決定やケアプロセスの設計の判断をインタラクティブに支援するシステムを形成した。

【研究の社会的意義】

褥瘡や糖尿病性潰瘍、スキンテアなどの創傷の評価法として臨床に普及し活用が進んでいる様々なツールは，ほとんどの場合もっぱら主として視覚を中心とした主観的評価に基づくため看、護師などの評価者や評価のタイミング・機会に依存して再現性が必ずしも高くないという重大な問題が指摘され続けてきた．創傷の重症度や治癒経過の評価の妥当性が確保され、信頼性が高く客観的な手法が望まれている。本研究は、創傷画像を自動分類してアセスメントスコアを自動算出することで、インタラクティブに、ヘルスケアプロフェッショナルによる創傷の客観的評価を支援するシステムを開発したものである。

【研究種目】挑戦的研究(萌芽)

【研究期間】2020-07-30 - 2022-03-31

【配分額】6,370千円 (直接経費: 4,900千円、間接経費: 1,470千円)

【研究領域課題番号】20K11344 (KAKENデータベースで見る）

【研究キーワード】

姿勢情報 / 動作解析 / 機械学習 / 動的時間伸縮法 / 運動解析 / 深層学習 / 姿勢推定

【研究成果の概要】

スポーツ運動分析や介護姿勢推定を目的として、機械学習により映像から骨格情報抽出を行い、動作整合を自動的に行う手法の高精度化を達成した。基本的な姿勢検出については、前年度までの手法を踏襲した。まず機械学習により映像中の各フレームの人物画像に対して骨格情報を抽出し、関節の座標値と信頼度数値を得る。推定された２５個の関節点から重要な１２個を選択し６６次元の特徴ベクトルを形成する。これらをフレーム毎に求め、空間ベクトルの特徴量として動作推定に用いる。
また、本年度は近接する２フレーム間の関節点とその角度の変化を、時間ベクトルの特徴量として追加した。時間ベクトルの特徴量は１２点において、移動距離、移動方向、信頼度の３要素を持つ。姿勢類似度は、２系列の空間ベクトルの差と時間ベクトルの差の積で与えられる。したがって姿勢類似度は０以上の数値であり、０に近いほど類似していることを示す。
姿勢類似度に基づき、２本の映像に含まれるフレームの対応付けを、動的時間伸縮法（ダイナミック・タイム・ワーピング）により決定する。基準となる映像の最初から最後のフレームに対して、探索すべき映像の最初から最後までのフレームに対して、姿勢類似度を再帰的に計算する。
動作整合の実験対象として、野球の投球フォーム及びゴルフのスイングフォームの２種類の映像を選んだ。左利きの選手による運動姿勢との動作整合を求めるために、推定された関節位置の左右反転検出のための判定手法を導入した。評価手法としてケンドールの順位相関係数を用いた。この相関係数は－１から１までの数値を取り、１に近いほど類似フレームの相関が強いことを示す。提案手法は投球データセットに対して、ケンドールの順位相関係数において０．８５５となり、従来法に比べて０．２３５改善できた。同様に、ゴルフスイングにおいては０．８８２となり従来法に比べて０．３０６改善できた。

【研究種目】基盤研究(C)

【研究期間】2020-04-01 - 2023-03-31

【配分額】3,640千円 (直接経費: 2,800千円、間接経費: 840千円)

【研究領域課題番号】19H02377 (KAKENデータベースで見る）

【研究キーワード】

交通システム / エージェントシミュレーション / 強化学習 / 深層学習 / 信号制御 / ライドシェア / MaaS / 機械学習 / グローカル制御 / HPC

【研究成果の概要】

本研究では，自動走行車の普及を見越した交通システムの適応進化型制御とサービスの提案をめざした．前者に関しては制御に用いるための交通流状態予測アルゴリズムを提案した．後者に関してはライドシェアサービス車両の配車アルゴリズムを提案し，リアルタイムに応答可能であるかどうかを評価した．またシミュレーションの基盤として交通流のハイブリッドモデル（流体近似モデル＋マルチエージェントモデル）を提案した．

【研究の社会的意義】

すべての人々に安全かつ安価で容易に利用できる，持続可能な輸送システムへのアクセスを提供することがSDGsに掲げられており，自動走行車を用いたライドシェアサービスはこれを達成するためのアプローチの1つである．加えて，ITSや自動走行車の普及に伴って取得される交通データの量が増大しており，これを効率よく処理して交通流を予測する技術もまた近い将来の交通システムに貢献するものである．

【研究種目】基盤研究(B)

【研究期間】2019-04-01 - 2022-03-31

【配分額】13,260千円 (直接経費: 10,200千円、間接経費: 3,060千円)

【研究領域課題番号】19K12727 (KAKENデータベースで見る）

【研究キーワード】

文理解 / 脳科学 / fMRI / 計算神経言語学 / 機能的連結性 / 機械学習 / 深層学習

【研究成果の概要】

本研究のテーマである、機能的連結性データの機械学習・深層学習に関しては、多くの数の論文が完成、出版された。このうちIF付き国際学術論文(査読付き)に絞ると、以下のようになる。Naoki Okamoto, Hiroyuki Akama, 2021. doi:https://doi.org/10.3389/fninf.2021.709179　本研究では、深層ニューラルネットワークの一種であるInvariant Information Clustering（IICと略す）を拡張し、現在のところASDの判別において最も良好なクロスサイトモデリング結果を得ることができた。
Hiroyuki Akama, Yixin Yuan, Shunji Awazu, 2021.doi:https://doi.org/10.1002/brb3.2157　ランメルハートのスキーマ理論に則り、言語習得における教師なし/あり学習がもたらす脳機能変化とその個人差に焦点を当てたfMRI実験研究であるハイブリッド学習が脳の反応にどのような変化をもたらすか、タスクベースの機能的連結性の観点から解析した。
Sunao Yotsutsuji, Miaomei Lei, Hiroyuki Akama,2021. doi:https://doi.org/10.3389/fninf.2021.577451　fMRIの小規模データセットに対し、予測のための深層学習(deep learning)を適用する場合、2D畳み込みネットワーク(M2DCNN)による分類器が、3D畳み込みネットワーク(3DCNN)を凌駕して、タスクを行う際の脳反応の集団レベル機械学習(group-level MVPA)において高い精度をもたらすことを示した。このように、本研究を支える骨格となるトピックスに関し、充実した成果が上がっている。

【研究種目】基盤研究(C)

【研究期間】2019-04-01 - 2023-03-31

【配分額】4,160千円 (直接経費: 3,200千円、間接経費: 960千円)

【研究領域課題番号】19K12115 (KAKENデータベースで見る）

【研究キーワード】

最適化 / 多様体 / 確率的勾配法 / 最適輸送問題 / Wasserstein距離 / リーマン多様体 / 深層学習 / 機械学習 / 多様体最適化 / ビッグデータ / 非線形非凸

【研究成果の概要】

本研究では，ビッグデータを用いた実応用における品質精度と処理量効率性の大幅な向上を達成することを目指してリーマン多様体最適化手法に着目し，スケーラブルな非線形非凸多様体最適化手法について研究した．幾何的（多様体）制約付き深層学習のための深層学習確率的勾配法，二次最適性を実現する非厳密信頼領域，またそれらの応用について研究した．さらに，最適輸送問題の最適化手法とその応用について研究した．

【研究種目】基盤研究(C)

【研究期間】2019-04-01 - 2022-03-31

【配分額】4,290千円 (直接経費: 3,300千円、間接経費: 990千円)

【研究領域課題番号】19K12201 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / 心電図 / 医療AI / 診断支援 / 機械学習 / 心電図自動解析 / 早期リスク検知 / ビッグデータ / 心臓超音波検査

【研究成果の概要】

本研究は、既存の心電図計による所見自動付与の精度向上のため、深層学習を用いた心電図波形自動解析手法を開発することを目的としている。
昨年度まで、東大病院の循環器内科をを受診した患者を対象とし、研究代表者らがこれまでに開発してきた標準12誘導心電図波形に対するCNNを用いた自動解析手法である One-Shot Screening手法の改良を行ってきた。提案手法は、心拍毎にカットし重ね合わせた波形画像を12誘導それぞれに対してCNNで学習し、第2段階目で全ての誘導を統合して判定する、というフレームワークを基本としている。これまで、正常・異常の2値分類タスクで正解率87%、また重症度の高い所見、あるいは 境界域異常所見では高精度に判定可能である、という結果を得ているが、様々なモデルの違いによる大幅な精度向上は見られず、2値分類タスクという点では、一定の精度の限界を迎えたと考えられた。そこで本年度は、あらゆる種類の所見を対象とするのではなく、左室肥大などの個別所見に対する学習モデルの開発を行った。全12誘導の波形画像とそれらの重ね合わせの仕方(左・中央・右寄せ) によって36種類の画像が入力候補となるが、全てをCNNに通した結果を統合するモデルではGPUメモリの限界のため計算が行えない。そこで、左室肥大など個別所見の予測へ寄与度が高かった上位12種類の画像のみに絞ったモデルを作成することで、１つのモデル内で対象波形画像の情報を全て統合し学習することが可能となった。また各種ハイパーパラメータ調整により正解率96%、F1値0.70まで精度が向上してきている。次に心電図計による自動付与所見ではなく、心臓超音波検査データによる診断結果を正解データとした再学習については、新型コロナ禍の影響にて中途で研究の進捗が遅れ、十分に完了しなかった。延長を経た最終年度でモデルの完成へ進む予定である。

【研究種目】基盤研究(C)

【研究期間】2019-04-01 - 2023-03-31

【配分額】4,290千円 (直接経費: 3,300千円、間接経費: 990千円)

【研究領域課題番号】19H01134 (KAKENデータベースで見る）

【研究キーワード】

Deep Learning / Pre-training / Transfer Learning / Fractal Geometry / 画像認識 / 大規模画像データベース / 深層学習 / フラクタル幾何 / パーリンノイズ / 画像データベース / 画像カテゴリ / 機械学習

【研究成果の概要】

自然法則を参考にした数式から画像パターンや教師ラベルを自動生成し画像データセットを構築可能な枠組み「数式ドリブン教師あり学習」を提案した。理論的には事前学習フェーズにおいて実画像の代替となる教師ラベル付きの大規模画像データセットを無限に生成することができる。同枠組みは実画像に対して自動で教師ラベルを付与する自己教師あり学習と類似の枠組みであるが、実画像すらも用いないという点でより困難なタスクに挑戦している。現時点では全ての設定において実画像と人間による教師ラベル付の画像データセットの学習には及んでいないが、一部の設定では提案のFractalDBによる学習による精度が超えている設定も確認できた。

【研究の社会的意義】

学術的意義：数式で生成した画像データセットで従来のベースラインと同等まで到達できることを明らかにした。さらに、画像データセットを数式で定義することで、画像認識の原理解析をより容易にした。画像パターンの複雑性が担保され、画像カテゴリは一貫性がある形で割り振られることが重要であった。
社会的意義：従来の画像データセットで問題視されていた、プライバシ侵害・差別的出力・人間のラベル付コストの問題がなくなったため、数式等に権利が含まれていない限りは商用利用が可能なモデルとして提供可能であり、今後AIの社会実装が容易になる。さらに、論文の実験結果が再現できる形でコードや学習済みモデル等を公開するに至った。

【研究種目】基盤研究(A)

【研究期間】2019-04-01 - 2022-03-31

【配分額】37,310千円 (直接経費: 28,700千円、間接経費: 8,610千円)

【研究領域課題番号】19H04099 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / エッジ側 / クラウド側 / エッジ / クラウド / 共生 / エッジコンピューティング / 機械学習 / 動的更新 / 継続学習 / エッジ側知的処理 / 自律分散協調 / 共進化 / 知的センシング

【研究成果の概要】

エッジノードとクラウドサーバとの間で協調しながら深層学習モデルを随時アップデートするためには、継続的な学習が必要となる。そこで2021年度は継続学習の代表的な手法であるリプレイ技術に着目した。継続学習では、例えば物体検出タスクにおいて、検出対象クラスが時間の経過とともに増加していく時、過去に学習したモデルを生かしながら新たに加わるクラスを学習する。リプレイ技術では過去に用いた学習データの一部を保存しておき、新規クラスに要する学習データと組み合わせて学習を行う。このとき、計算機の記憶装置が有限であることから、保存しておく学習データを選択する方針をよりよく定める必要がある。本研究では、クラスの難易度を学習データ選択時の指針とし、困難なクラスのデータをより多く保存しておくことで、これまでのリプレイ技術と比較してより良い精度の達成を目標とした。
エッジノード上でデータを圧縮してサーバに送信する際にはデータの分布に合わせた圧縮方式が重要となるが、実世界センシングではデータ分布が変化するため、分布外データを検出し、それに合わせてエッジ上の機械学習モデルを動的に更新することで、エッジ・サーバの連携を最適化できるようになる。これについて複数のモデルで検討を行い、その結果を情報処理学会マルチメディア、分散、協調とモバイルDICOMO2021シンポジウムで発表した。また画像認識を行う場合、認識器のクラスの共通化を行うことにより認識性能の向上や認識処理の軽量化が可能となると考えられる。本手法はリソースが限られているエッジノード上で認識処理を行う上で重要な要素となる。本手法の検討結果を2022年7月に開催される情報処理学会マルチメディア、分散、協調とモバイルDICOMO2022シンポジウムにおいて発表予定である。

【研究種目】基盤研究(B)

【研究期間】2019-04-01 - 2023-03-31

【配分額】17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)

【研究領域課題番号】19K11990 (KAKENデータベースで見る）

【研究キーワード】

物理法則アニメーション / データ駆動法 / 深層学習 / キャラクタアニメーション / 髪アニメーション / 脆性破壊アニメーション / グラフアテンションネットワーク / 敵対的生成ネットワーク / 衣服アニメーション / スキニング / ニューラル画像変換 / Cycle-GAN / 条件付きGAN / 物理エンジン / 力条件マップ / 破壊分割パターンマップ / 機械学習 / データ駆動型物理法則CG アニメーション / コンピュータグラフィックス / 髪シミュレーション / 脆性破壊シミュレーション

【研究成果の概要】

本研究の目的は，物理法則アニメーションについて，リアルタイムアニメーションを実現するためのデータ駆動型手法によるアプローチを確立することである．ここでは，物理法則アニメーションの中の研究トピックとして，脆性破壊，髪，人体変形の３つのアニメーションを取り上げ，その計算処理の中でボトルネックとなる処理を深層学習による処理に置き換える，というアプローチを採った．様々な実験を通じて，主に処理の高速化や効率化の点から提案手法の有効性を実証した．これらの研究により，データ駆動型物理法則 CG アニメーションが，特にリアルタイムアニメーションの観点から極めて有効な手法になり得ることを確信している．

【研究の社会的意義】

機械学習手法は近年長足の進歩を遂げており，最近では深層学習などの新しいツールが普及しつつある．本研究では，リアルタイムアニメーションが困難なトピックに対して，深層学習のような，他の分野で有効性が評価されている新しいツールを利用して，データ駆動型手法によるアプローチに取り組んだ．本研究の研究成果により，リアルタイムアニメーションを必要とする分野，例えば，ゲームやVRのような仮想空間において，人物や自然物のより写実的な表現をすることが可能となる．

【研究種目】基盤研究(C)

【研究期間】2019-04-01 - 2022-03-31

【配分額】4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)

【研究領域課題番号】19H04121 (KAKENデータベースで見る）

【研究キーワード】

データセンター / 運用 / 人工知能 / スケジューラ / ログ収集 / 強化学習 / ジョブスケジューリング / 最適化 / オーバーコミット / システムモデル / スーパーコンピュータ / 深層学習 / AI / 計算機運用 / 機械学習 / センサーデータ / スケジューリング / サイバーフィジカルシステム

【研究成果の概要】

データセンターの運用の自動化のため、データセンターからのデータを取得して仮想空間上に再現する方法と、その仮想空間上で運用ポリシーを最適化する方法を研究した。
前者のデータ取得については、機器によるデータフォーマットの違いやデータの用途に依存することなく、様々な運用に役立つ汎用的なデータを多くのデータセンターから収集できる一般的なデータフォーマットと保存形式を定義することに成功した。後者の運用最適化については、制御方法を自動的に学習する強化学習を用いてジョブスケジューリングを最適化することに成功すると共に、その学習の場としてスケジューリングや冷却設備のシミュレータを実装した。

【研究の社会的意義】

データセンターの運用はより少ない資源で多くの計算需要を満たすための高度な技術であり、スケジューリングポリシーの設定、計算機のメンテナンス、さらには電力空調設備の運用やメンテナンスを含む専門的に高度な業務である。近年の労働人口減少に伴い、このような運用業務に携わる人材の確保は容易でなく、今後、益々増大する計算需要を安定的に満たすためには運用の省力化、少人化は必須の課題である。本研究の成果はこの要請に応じるものであり、設備運用やジョブスケジューリングをシミュレーションで再現する方法、さらにそれを用いて人工知能に最適な運用を試行錯誤させる方法を開発したものである。

【研究種目】基盤研究(B)

【研究期間】2019-04-01 - 2022-03-31

【配分額】17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)

【研究領域課題番号】19H01508 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / 指値注文 / 注文板情報 / 機械学習 / 指値注文板 / 為替レート / LSTM / 金融資産価格変動予測

【研究成果の概要】

売買価格と取引量が記録された注文板の情報を利用して為替レートの予測ができるか。さらには、その予測方法として深層学習を用いたところに本研究の特徴がある。深層学習の中でも時系列分析モデルであるLong Short Term Memory (LSTM)を用いた。このモデルの特徴は、過去の情報を長期、短期に記憶することができる点にある。まず、注文板から、注文板上で生じた新規の指値注文、指値注文の変更等のイベントを分類し、指値注文に関する変数を作成した。さらには、これまで為替レート予測の主な変数とされてきた取引(market order)をも加えて、深層学習による1分後の為替レート予測を試みた。その結果、市場最良気配価格を更新する指値注文(improving order)ならびに市場最良気配価格を悪化される指値注文(worsening order)が１分後の為替レートの方向（上がるか、下がるか）予測に貢献することが判明した。次に、これらの指値注文変数の利用したLSTMの予測により利益実現が可能かを検証した。その結果、為替レートの変化方向は予測できるが、利益までは実現できないとの結果が得られた。これは、LSTMといった相対的に複雑な予測モデルをもっても利益を実現できないと意味で、研究対象とした為替市場は効率的である。それではなぜImproving order, worsening orderが為替レートの変化方向予測に貢献するのか。この点については、情報トレーダーが成行注文ではなく、指値注文を使用することに関連する。つまりは、情報の非対称性が小さい今日の為替市場では、指値注文による期待利益が成行注文のそれを上回る。それゆえに、情報トレーダーは利益最大化の点から合理的に指値注文を選択するのである。

【研究種目】基盤研究(B)

【研究期間】2019-04-01 - 2023-03-31

【配分額】15,990千円 (直接経費: 12,300千円、間接経費: 3,690千円)

【研究領域課題番号】19K04113 (KAKENデータベースで見る）

【研究キーワード】

異常診断 / 時系列予測 / プロセス監視 / 深層学習 / 機械学習 / ディープラーニング / オペレータ支援 / 時系列データ予測 / プロセス産業 / 時系列データ

【研究成果の概要】

本研究課題では、プロセス制御監視システムによって蓄積された時々刻々変化する時系列データを利用しディープラーニング技術を応用した実プロセスで利用可能なオペレータ支援機能を実現した。具体的には、実際の化学プロセスの複数のセンサデータを予測する新しいディープラーニングモデルを提案した。化学プロセスの制御のために監視しているセンサデータ間の複雑な関連を学習するモデルであり、関連するセンサデータ間の様々な時間長の影響関係を利用し、ある一つのセンサデータの正常値予測を実施するモデルである。

【研究種目】基盤研究(C)

【研究期間】2019-04-01 - 2022-03-31

【配分額】4,290千円 (直接経費: 3,300千円、間接経費: 990千円)

【研究領域課題番号】19K22625 (KAKENデータベースで見る）

【研究キーワード】

人口知能 / 機械学習 / セグメンテーション / ヒトiPS細胞 / ヒトES細胞 / 心筋細胞 / 分化誘導 / 成熟化 / 深層学習 / 多能性幹細胞 / オミックス解析

【研究成果の概要】

拍動心筋細胞の動画を全自動撮影し、ベクトル解析によって心筋細胞を同定することで非心筋細胞との領域を判別する拍動心筋細胞動画撮影システムを開発した。また、セグメンテーションアルゴリズムにより拍動する心筋細胞を効率的に評価する画期的な深層学習法の開発を行い、改良することでより正確な領域判定を可能にした。心筋と非心筋細胞を見分けるのに有効な分類器を機械学習により構築し、加えて学習器を可視化することで分類根拠を視覚的に示すことに成功した。拍動心筋細胞動画撮影システムにより効率的に教師データを取得し、学習機によるデータの解析を行った。さらに心筋細胞への分化、成熟過程における重要な遺伝子を確認した。

【研究の社会的意義】

多能性幹細胞由来心筋細胞の汎用化と産業化には大量の心筋細胞の品質を効率よく短時間で評価する方法を確立する必要性がある。本研究によって心筋細胞の状態を位相差顕微鏡で観察した細胞の画像データのみから評価することが可能になった。これまでの研究では、画像解析のみで多能性幹細胞からの分化誘導効率や成熟度を評価することは極めて困難であり、学術的、社会的意義は非常に大きい。本研究成果は病態解明と創薬開発におけるES/iPS細胞研究のブレークスルーを達成するものであり、効率的な分化誘導法や成熟化法を開発するための強力なツールとなる。その成果は循環器領域にとどまらず他領域にも役立つ極めて汎用性の高い技術である。

【研究種目】挑戦的研究(萌芽)

【研究期間】2019-06-28 - 2021-03-31

【配分額】6,370千円 (直接経費: 4,900千円、間接経費: 1,470千円)

【研究領域課題番号】18K05025 (KAKENデータベースで見る）

【研究キーワード】

分子動力学 / 機械学習 / シミュレーション / 分子動力学シミュレーション / 古典力学 / データベース / 分子ダイナミクス / ２次元カオス系 / 深層学習 / タンパク質 / タンパク質-タンパク質相互作用

【研究成果の概要】

機械学習技術の発展により、人工知能は画像認識やチェスや囲碁などの分野において人間の知能を凌駕するようになってきた。近年、AlphaFoldのような先進的なタンパク質構造予測技術においても、機械学習が中心的な役割を担っている。本研究では、こうした機械学習技術を分子科学に導入することによって、タンパク質間に見られる重要なダイナミクス現象を解き明かしていくことを目指している。
これまでの研究で、基本的な機械学習プログラムとデータベースのプロトタイプを作り、2次元ハミルトン系ダイナミクスの学習データベースを用いて、カオス性予測に取り組んだ。このテストにおいては9割程度の正答率まで上げることができるようになった。また、NaイオンとClイオンの会合・解離の予測をする機械学習にも取り組んできた。予測の正答率を75％程度まで向上することに成功している。
今年度は、機械学習モデルによるNaイオンとClイオンの会合・解離の予測精度が正答率これ以上改善することが困難になる要因について、解析をおこなった。機械学習手法・データ数・ハイパーパラメータなど色々な可能性を探ったが、本質的な正答率の改善はできなかった。そこで、系自体に、学習困難な要因がある可能性を調べた。その結果、不正解であった初期条件のトラジェクトリーはカオス性が高いものが多いことが分かった。さらに、タンパク質界面環境への応用として、卵白リゾチーム（HEL）とその抗体(HyHEL-10)の複合体にある塩橋の形成・崩壊のダイナミクスについてデータベース化をおこなった。さらに、簡略的な機械学習もおこなった。

【研究種目】基盤研究(C)

【研究期間】2018-04-01 - 2023-03-31

【配分額】4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)

【研究領域課題番号】18K18114 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / 関数推定 / ノンパラメトリック統計 / 汎化誤差 / ノンパラメトリック統計学 / 学習理論 / ミニマックス最適性 / 機械学習

【研究成果の概要】

当該研究計画の概要は、深層学習の原理を説明することができる理論の構築である。深層学習は実用上で高い性能を発揮しているが、その原理は未解明の点が多く、この性能を説明できる理論は未だ発展途上である。
当該研究課題では、以下のような成果を得た: (i)データを生成する真の関数が特異性などの特殊な性質を持つ場合、深層学習の優位性が示されることを証明した。(ii) 深層学習の複雑な非凸損失関数が過学習を回避できることを示す理論を開発した。(iii) 深層学習モデルでも過剰パラメータ下での二重降下現象が起こることを示した。(iv)理論的な知見を用いて非凸最適化問題を解くアルゴリズムを開発した。

【研究の社会的意義】

深層学習は、その高い性能から強い注目を集め、社会の各所で応用されている重要な技術である。今回のAIブームにおいて、深層学習によって実現する技術は数多い。
しかしながら、深層学習の原理は未だ十分に解明されていないのが現状である。その結果として、深層学習の欠点である膨大な計算コストや、ブラックボックスな挙動などの問題点は、未解決のまま残っている。これらの問題を根本から解決するには、基礎研究を通じて深層学習の原理を理解し、抜本的な解決手法を開発することが望まれる。
本研究はその試みの一端として、深層学習という新しい技術を数学的に記述することを試み、そして深層学習の成功の要因を明らかにする理論を構築した。

【研究種目】若手研究

【研究期間】2018-04-01 - 2022-03-31

【配分額】3,900千円 (直接経費: 3,000千円、間接経費: 900千円)

【研究領域課題番号】18H03291 (KAKENデータベースで見る）

【研究キーワード】

記述長最小原理 / MDL原理 / 深層学習 / 情報理論 / MRI / サイバーセキュリティ / 教師あり学習 / 汎化誤差 / スパース学習 / 磁気共鳴画像法 / 超解像 / 汚染ガウスモデル / 進化系統樹 / 圧縮センシング / 情報幾何学 / Markov連鎖 / メタ学習 / スパース重ね合わせ符号 / Markovモデル / 誤り訂正符号 / 局所指数族バンドル / 非負値行列因子分解 / 確率的コンプレキシティ / 機械学習

【研究成果の概要】

MDL原理に基づく学習理論の深化と応用について研究を行った．記述長最小原理（MDL原理）の基礎については，Barron and Coverの理論（BC理論）の教師あり学習への拡張と，深層学習との関連について考察した．BC理論と確率的コンプレキシティ（SC）を関係づける研究において，目標モデルを非指数型分布族に一般化することに成功した．その他，スパース学習を応用した誤り訂正符号への深層学習の応用やAMPにおけるダンピングの解析を行った．応用研究としては，主として磁気共鳴画像法（MRI）とサイバーセキュリティ領域を主題とした．

【研究種目】基盤研究(B)

【研究期間】2018-04-01 - 2021-03-31

【配分額】17,550千円 (直接経費: 13,500千円、間接経費: 4,050千円)

【研究領域課題番号】18H03201 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / カーネル法 / 汎化誤差解析 / ノンパラメトリック統計 / モデル圧縮 / 機械学習 / 確率的最適化 / 統計的学習理論 / 汎化誤差 / 数理統計 / 高次元統計 / 学習理論 / 構造解析 / 最適化

【研究成果の概要】

深層学習は現在機械学習でも中心的な役割を果たしており，多くのタスクで高い性能を示している．一方で，その原理への理論的理解は進んでおらず，ブラックボックス化しているのが研究開始当初の状況であった．その状況を改善するために，本研究では深層学習の原理解明に関して以下の研究成果を得た．(1) カーネル法的視点による深層学習の圧縮型汎化誤差解析，(2) 統計自由度による最適なモデル構造の探索とモデル圧縮への応用，(3) 新しい確率的最適化手法の提案，(4) 深層学習のカーネル法への優位性の理論的証明．これらの研究を通して深層学習が他の方法に比べてなぜ良いのかという問いへ多くの知見を得ることができた．

【研究の社会的意義】

深層学習は機械学習の社会実装が進む中，社会的重要な技術となっている．一方でその原理が解明されずに応用だけ進むことは，制御可能性や説明可能性という観点からも望ましくない．本研究では，種々の数学的道具を用いて深層学習の原理解明に貢献し，また理論の応用として最適なモデルの探索やモデル圧縮法を提案した．研究成果により研究開始時期と比べて非常に多くの理論的知見が得られた．これは，深層学習をホワイトボックス化するという意味で社会的意義が大きい成果である，

【研究種目】基盤研究(B)

【研究期間】2018-04-01 - 2022-03-31

【配分額】17,160千円 (直接経費: 13,200千円、間接経費: 3,960千円)

【研究領域課題番号】18K19793 (KAKENデータベースで見る）

【研究キーワード】

人工知能 / 深層学習 / 機械学習 / ニューラルネットワーク / 理論解析

【研究成果の概要】

本研究では，数理的アプローチによって深層学習の学習ダイナミクスなどの理論解析を行った．その結果以下の結果を得た．（１）不連続な関数を推定する場合，深層ニューラルネットは，従来法である固定基底を用いる方法に比べて，推定精度に優位性がある（２）深層ニューラルネットが冗長な中間素子を持つ場合の誤差曲面の鞍点の構造が明らかとなった（３）深層生成ネットワークの学習ダイナミクスの安定性条件が明らかとなった．また，因果方向をメタ学習によって少数のデータから推定する方法を提案した．

【研究の社会的意義】

深層学習は応用面からの成功により現在の人工知能の基盤技術となっているが，モデルが強い非線形性を持つことから理論的な解析を行うことは容易ではなくブラックボックスとして使われる場合が多い．本研究は数理的手法で深層学習の性質を理論的に明らかにするものであり，ブラックボックスを超えた深層学習の理論，特に学習によって得られたネットワークの信頼性や，学習アルゴリズムの安定性に関して重要な知見が得られた．

【研究種目】挑戦的研究(萌芽)

【研究期間】2018-06-29 - 2021-03-31

【配分額】6,370千円 (直接経費: 4,900千円、間接経費: 1,470千円)

【研究領域課題番号】18H04155 (KAKENデータベースで見る）

【研究キーワード】

HEMS / スマートメーター / 太陽光発電 / 異常検知 / LCA / ビッグデータ / AI / 深層学習 / カーボンニュートラル / ライフスタイル / IDEA / 敵対的生成学習 / 電力 / 実験経済学 / 意思決定 / Deep Learning / 機械学習 / 行動変容 / ディープラーニング / インベントリデータベース / パリ協定

【研究成果の概要】

2050年までにカーボン・ニュートラル社会を実現するため、特に排出削減が難しい家庭部門の温室効果ガス排出削減のための手法開発を目指した研究を実施した。
家庭のエネルギー消費削減には、家庭内でどのような形態によってエネルギー消費が行われているか、すなわちライフスタイルを明らかにする必要があった。そこで本研究では、HEMS/スマートメータといったIoTセンシングによって得られた約6万世帯、20億レコードの家庭電力消費ビッグデータを活用した。近年急速に発展する深層学習アルゴリズムを開発し、分析を行うことで、消費電力量のみから家庭の属性や生活パターンを分析する手法を開発した。

【研究の社会的意義】

家庭内消費電力データを分析することで、複数の制度においてその制度の意図と異なる行動が発生していることを示唆する結果を得た。太陽光売電制度においては、節電インセンティブが存在するとされていた余剰売電制度の方が、節電インセンティブが存在しない全量売電制度よりも、実際の家庭内消費電力量が増大していることをビッグデータによって示した。さらに、このような事象が発生した原因を行動経済学の知見に基づいてリバウンド効果として学術的に説明を行った。
今後さらに強く求められる家庭内エネルギー消費削減に必要となる様々な社会制度設計において、家庭電力消費ビッグデータの活用が有効であることを示した。

【研究種目】基盤研究(A)

【研究期間】2018-04-01 - 2022-03-31

【配分額】42,900千円 (直接経費: 33,000千円、間接経費: 9,900千円)

【研究領域課題番号】18H02761 (KAKENデータベースで見る）

【研究キーワード】

機械学習 / CT / 被曝低減 / 深層学習 / 雑音除去

【研究成果の概要】

１）３次元胸部ファントムによる被曝低減技術の性能検証
昨年度は、2次元の深層学習（ディープラーニング）モデルを3次元に拡張し、臨床Computed Tomography (CT)で得られる3次元データを扱えるモデルにした。同時に、演算量削減手法の開発により、1回のCT検査のデータを高速に処理できるようにした。本年度は、精巧な胸部ファントム（京都科学社製）のCT像を、最低線量から最高線量まで（0.05-35 mSv）変化させて撮像した。次に、超低線量CT像（0.05, 0.1, 0.2 mSv）を入力画像、それに対応する最高線量CT像（35 mSv）を教師画像とし、3次元の深層学習モデルを学習した3次元の深層学習モデルは、３次元のカーネルを有し、カーネル内の３次元画素情報をニューラルネット回帰モデルの入力とする。入力は超低線量CTの３次元局所領域（カーネルと一致）の画素値、出力はそれに対応する高線量CT中の１画素の推定値である。学習は、教師画素と出力画素の二乗誤差が小さくなるよう、ニューラルネットの層間の重み係数を調整することにより行われた。すなわち、出力画像が教師画像として使われた高線量CT画像に近くなるように、学習が進んだ。学習後の深層学習モデルの性能を評価するため、学習後のモデルの出力画像（仮想高線量CT像）と本物の高線量CT像の画質を定量的に比較し、線量低減率を算出した。仮想高線量ＣＴ像と本物のＣＴ像の画質の関係を調べることにより、本手法で低減できる被曝線量を定量的に明らかにした。以上のように、本年度は、３次元胸部ファントムを用いて、3次元深層学習モデルによる被曝低減技術の性能検証を行った。

【研究種目】基盤研究(B)

【研究期間】2018-04-01 - 2022-03-31

【配分額】17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)

【研究分野】知能情報学

【研究領域課題番号】17K12734 (KAKENデータベースで見る）

【研究キーワード】

半教師あり学習 / 群知能 / 深層学習 / 機械学習 / 合意形成 / 自己学習 / 分散学習

【研究成果の概要】

深層学習の適用において，膨大な訓練データを作成する作業は非常に高コストである．訓練データ数を削減しながら精度の高いモデルを生成することを目的とし，群知能研究の知見を応用した複数のニューラルネットワークによる半教師あり学習の手法を提案し，いくつかのタスクについて有効性の検証を行なった．
提案手法は，特定のタスクにおいて計算量の増大を許容できる場合という制限つきではあるものの，競合手法と同等の精度でモデルを構築できることを示した．一方で，手法中で扱う複数のニューラルネットワークは必ずしも同一の構造を持っている必要がないため，最適な構造を事前に決定するコストの削減に寄与する．

【研究の社会的意義】

深層学習はいまやAI研究の根幹をなす技術であり，自動運転車における周辺環境の知覚タスクや，カメラ映像などを入力とした自動監視システムなど，さまざまな実応用がなされている．今後さまざまな新たなサービスやシステムへの適用も期待される技術である一方，特に新規参入分野では訓練データの収集や最適なネットワーク構造の設計などに多大なコストを要求される．本研究は，こうしたコストを削減することが期待できる．提案手法は，訓練データ数の削減については競合手法と同程度の性能を保ちつつ，複数の有望なネットワーク構造の並列学習によって，利用者に最終的に使用するモデルについて複数の選択肢を与えることが可能である．

【研究種目】若手研究(B)

【研究期間】2017-04-01 - 2022-03-31

【配分額】4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)

【研究分野】知能情報学

【研究領域課題番号】17K00308 (KAKENデータベースで見る）

【研究キーワード】

MRI / 深層学習 / 多重解像度 / ディープニューラルネットワーク / 脳動脈瘤 / U-net / 超解像 / 空間結合圧縮センシング / 検査時間短縮 / 機械学習

【研究成果の概要】

MRIの撮影時間を短縮すると情報が不足しMRI画像の画質が劣化する．我々は，劣化した画像から高品質なMRI画像を復元するディープニューラルネットワーク（DNN）を提案した．既存の超解像DNNはそのままではMRI画像を高画質化できない．我々は，これに多重解像度処理加えることで性能向上を図り，新たなDNNの構造を提案した．九州大学医学部の協力の下，健常者及び脳動脈瘤患者の頭部MRIデータを大量に用いてDNNを長時間学習させた．5倍の高速撮影に相当する低品質画像から本DNNによって復元した画像は高い信号対雑音比を示した．医師による読影評価を受け，良好な画質評価を得た．

【研究の社会的意義】

MRI撮影では患者は30分から1時間程度MRI装置の中で静止する必要があり精神的肉体的負担がかかる．また医療現場にかかる時間的負荷も大きく，MRI撮影の高速化が求められている．我々は，深層学習によるMRI高速化の研究にいち早く着手した．我々の提案したDNNは十分な画質を保ちつつ，約5倍の高速撮影が可能である．本手法は特許出願済みであり，企業ライセンシングを目指している．深層学習は，MRIの高速化のみならず，画像から病変を検出する医療診断支援の実用化が期待されている．本研究によって得られた成果と知見は，我々が現在研究している病変検出に役立っている．

【研究種目】基盤研究(C)

【研究期間】2017-04-01 - 2020-03-31

【配分額】4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)

【研究分野】知能情報学

【研究領域課題番号】17H04693 (KAKENデータベースで見る）

【研究キーワード】

機械学習 / 生成モデル / 学習アルゴリズム / 表形式 / データ拡張 / ドメイン適応 / 敵対的学習 / 深層学習 / ベイズニューラルネット / 逐次学習 / 離散構造 / 深層信念ネットワーク / 再パラメータ化 / 局所期待勾配

【研究成果の概要】

近年機械学習分野における生成モデルの発展は目覚ましく，現実的に存在しない人の画像や動画などが人の目には区別がつかないレベルまでになっている．しかし，そのような生成モデルの学習は，通常の識別モデルの学習とは異なり，目的関数の最適化の難しさに起因する学習の不安定性や生成物の評価の難しさに起因する定式化の非自明さなどが相まって，学習手法には多くのヒューリスティックスを要する場合が多い．本研究では，学習の不安定さの解明・緩和と既存研究ではほとんど取り扱われていなかった表形式のデータに関する生成モデルの開発と少数データ解析への応用に関して取り組みICMLなどの難関国際会議で発表した．

【研究の社会的意義】

生成モデルは通常の機械学習における識別モデルによる予測とはことなり，現実には存在しないデータを生成する．現在では，画像や動画などの生成において人が認識できないレベルまで到達しており，人が数時間数日かけて作成するようなものでも数秒で生成してしまう．これは人の創作活動において大きな変革をもたらす可能性を秘めている．しかし，その学習アルゴリズムは未だに解明できていないことも多く，特に学習の不安定さは問題で，学習アルゴリズムに対して多くのヒューリスティックスと試行錯誤が必要となる．本研究では，学習の安定性に関する基礎研究を行い，また生成モデルの適用範囲を表形式データに拡張し，少数データ解析へ応用した．

【研究種目】若手研究(A)

【研究期間】2017-04-01 - 2021-03-31

【配分額】25,090千円 (直接経費: 19,300千円、間接経費: 5,790千円)

【研究分野】生命・健康・医療情報学

【研究領域課題番号】17K17589 (KAKENデータベースで見る）

【研究キーワード】

ゲノム / コピー数変異 / 次世代シークエンサ / マイクロアレイ / 機械学習 / SNPアレイ / ゲノムアセンブリ / CNV / 深層学習 / 遺伝学 / ゲノム解析

【研究成果の概要】

ヒトゲノムのコピー数変異 (CNV) は大規模な配列の多様性を与える変異であり、薬剤代謝酵素を含む重要な遺伝子の発現量の個人差や、様々な疾患のリスクに関係していることが知られている。次世代シークエンス技術やマイクロアレイの発展により CNV の個人差を定量できるようになってきたが、これまで配列差を含めた解析は困難であった。本研究では CNV によるゲノム多様性の解明を目指し、長鎖型シークエンサを用いた配列アセンブリ手法の改良と HLA 遺伝子での適用、短鎖型シークエンスのリード定量バイアスの低減、および SNP アレイによる CNV のインピュテーション・ジェノタイピングの融合手法を提案した。

【研究種目】若手研究(B)

【研究期間】2017-04-01 - 2019-03-31

【配分額】2,990千円 (直接経費: 2,300千円、間接経費: 690千円)

【研究分野】生命・健康・医療情報学

【研究領域課題番号】17H01814 (KAKENデータベースで見る）

【研究キーワード】

生命生体情報学 / 環状ペプチド / 中分子創薬 / 膜透過性 / 血漿タンパク質結合率 / 分子動力学法 / 機械学習 / 深層学習 / 生体生命情報学

【研究成果の概要】

次世代の創薬分子として注目されている特殊環状ペプチドを用いた中分子創薬を加速するため、そのボトルネックとなっていた細胞膜の透過性、および血漿タンパク質結合率の計算機予測を行うための基盤的手法を開発した。
細胞膜透過性予測においては、大規模な分子動力学シミュレーション(REUS)による予測と、2次元および3次元記述子からの機械学習による予測の二つの手法を開発した。前者は6～8残基では充分な精度を達成しており、後者と組み合わせることでさらなる精度向上が期待できる。
血漿タンパク質結合率予測においては、2次元および3次元記述子を用いた機械学習の手法を開発した。深層学習を用いた方法が最も高い精度を示した。

【研究の社会的意義】

低分子化合物に基づく伝統的な創薬が徐々に限界を迎える中、抗体を用いた抗体創薬が大きな成果を挙げつつあるが、細胞を用いて生成する抗体は製造コストの高さや膜透過性が無いことという欠点がある。環状ペプチドは、両者の中間の大きさを持つ中分子であり、比較的低コストで高い薬効が期待される。ところが、細胞膜の透過性を持つものが設計しにくいこと、および血漿タンパク質結合率が有効な範囲にならない場合があることから、薬効があっても薬剤として使えない場合が多かった。本研究では、計算機で迅速にこれらを予測する技術を開発した。中分子創薬の設計現場で利用することで、設計の効率を飛躍的に高めることが可能になると期待される。

【研究種目】基盤研究(B)

【研究期間】2017-04-01 - 2020-03-31

【配分額】16,510千円 (直接経費: 12,700千円、間接経費: 3,810千円)

【研究分野】計算科学

【研究領域課題番号】17K14144 (KAKENデータベースで見る）

【研究キーワード】

ディープラーニング / 数値解析 / 機械学習 / マルチスケール / 数値シミュレーション / マルチスケール解析 / 熱伝導問題解析 / 不均質材料 / 深層学習 / 人工知能 / シミュレーション工学

【研究成果の概要】

本研究目的は，人工ニューラルネットワーク（ANN）とマルチスケール解析手法を融合した全く新しい数値シミュレーション法を開発することである．本手法が確立されれば，従来手法と同様の高精度解をより低コストに算出することが期待できる上，適用に制約がなく原理上あらゆる物理現象の解析が可能となる．
平成29年度は，提案法に用いるANNとして，画像認識能力に優れている畳み込みニューラルネットワーク（CNN）を導入し，提案法を2次元の線形定常熱伝導問題に適用した．平成29年度に実施した数値実験により，CNNを導入した提案法は，ANNを使用しない従来のSDMとほぼ同等の解を算出し，さらに解析時間を短縮できることが分かった．
平成30年度は，SDMに加えて，マルチスケール解析手法の1種である領域分割法（DDM）とCNNを融合したマルチスケール解析手法を提案し，平成29年度と同様に2次元の線形定常熱伝導問題に適用した．また，CNNの学習に「知識の蒸留」と呼ばれる手法を導入し，提案法の更なる解析精度向上および解析時間の短縮を図った．平成30年度に実施した数値実験により，新たに提案した手法は，CNNを使用しない従来のDDMとほぼ同等の解を算出し，更に解析時間を短縮できることが分かった．さらに，解析精度については，平成29年度に提案した手法を大きく上回った．
以上の成果により，提案手法がSDMだけではなくDDMにも適用可能であることを実証した．さらに，今年度提案した手法は，昨年度提案した手法を大きく上回る解析精度を実現した．

【研究種目】若手研究(B)

【研究期間】2017-04-01 - 2020-03-31

【配分額】3,900千円 (直接経費: 3,000千円、間接経費: 900千円)

【研究分野】制御・システム工学

【研究領域課題番号】17K06506 (KAKENデータベースで見る）

【研究キーワード】

深層ニューラルネットワーク / サポートベクターマシン / 深層学習 / 機械学習 / パターン認識

【研究成果の概要】

本研究では、深層準線形サポートベクターマシン（SVM)の構築を行う。深層ニューラルネットワークにより深層準線形カーネルを深層学習で合成する。これにより、訓練済の深層ニューラルネットワークからSVMのカーネルを合成し（転移学習）、このカーネルに基づいた分類器をSVM 最適化（小データ）することによって、小データでも深層学習の実現が可能になる。

【研究種目】基盤研究(C)

【研究期間】2017-04-01 - 2020-03-31

【配分額】4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)

【研究分野】医学物理学・放射線技術学

【研究領域課題番号】17K15799 (KAKENデータベースで見る）

【研究キーワード】

レディオミクス解析 / 画質改善 / 機械学習 / 深層学習 / 医学物理 / Radiomics / 特徴量解析 / 医学物理学 / Ｒadiomics / 放射線 / 情報工学

【研究成果の概要】

本研究はレディオミクス解析により、治療計画CT画像、線量分布、治療中CBCT画像等の医用画像が含む画像特徴量から、治療の奏効や予後を高精度に推定する新たなパターン認識システムを開発することを目的とした。特徴量を高精度に抽出する上で、医用画像の画質改善は必須の要素技術である。画像特徴量を抽出する際の前処理として、深層学習を用いてCBCTを画質改善する手法を構築した。また腫瘍の輪郭が画像特徴量に与える影響について精査した。線量分布から抽出された特徴量について線量計算アルゴリズムや計算グリッドサイズに対する依存性を検討した。

【研究の社会的意義】

レディオミクス解析における画質改善の重要性を明らかにし、深層学習を用いた医用画像の画質改善の手法を構築した。また線量分布に対するレディオミクス解析について線量計算のパラメターに対する詳細な検討を行った。

【研究種目】若手研究(B)

【研究期間】2017-04-01 - 2021-03-31

【配分額】4,290千円 (直接経費: 3,300千円、間接経費: 990千円)

【研究分野】医学物理学・放射線技術学

【研究領域課題番号】17H06679 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / 機械学習 / CT / 被曝低減 / 雑音除去

【研究成果の概要】

１）画像出力型深層学習をベースとするCTのための被曝線量低減手法の開発
本研究で開発したCTのための被曝線量低減手法は，我々独自の深層学習をベースとし，学習と実行ステップから成る．学習ステップでは，超低線量で撮像されたCT像を入力画像，高線量で撮像されたCT像を教師画像に使い，深層学習モデルを学習する．深層学習は，ニューラルネット回帰モデル（NN）で構成され，入力は超低線量CT像の局所領域の画素値，出力はそれに対応する高線量CT像中の1画素の推定値である．学習は，教師画素と出力画素の誤差が小さくなるよう，NNの重み係数を調整することにより行われる．実行ステップでは，学習後のモデルに未学習の超低線量CT像を入力すれば，あたかも高線量で撮ったようなCT像（仮想高線量CT像）に変換できる．
CTデータの３次元化に伴い，深層学習モデルを３次元に拡張する場合，情報量の増大に伴う学習時間の増大が問題となる．２次元モデルの学習は，通常のPCにおいて約72時間を要した．３次元化すると情報量が10倍程に増える．この問題に対処するため，我々が以前に開発したLaplacian Eigenmapに基づく非線形入力次元削減手法を応用した．
２）3次元胸部ファントムによる被曝線量低減手法の性能検証
深層学習３次元モデルの学習と検証のため，精巧な3次元胸部ファントムを，CT装置の最低線量から最高線量までの複数の線量で撮像した．超低線量と最高線量のCT画像を入力画像と教師画像とし，深層学習モデルを学習した．本手法で低減できる被曝線量を定量的に明らかにするため，最高線量CT像を理想画像とし，出力CT像の画質をSSIM (Structural Similarity)を用いて評価した．仮想高線量CT像の画質と，実際に線量を変えて撮像したCT像の関係を調べることにより，本手法で低減できる線量を定量的に明らかにした．

【研究種目】研究活動スタート支援

【研究期間】2017-08-25 - 2019-03-31

【配分額】2,730千円 (直接経費: 2,100千円、間接経費: 630千円)

【研究分野】システムゲノム科学

【研究領域課題番号】16H04731 (KAKENデータベースで見る）

【研究キーワード】

画像解析 / 機械学習 / 深層学習 / 発生・分化

【研究成果の概要】

深層学習(Deep Learning)を利用することで、今まで困難だったマウス胚発生の4次元蛍光顕微鏡画像から核同定を行う画像処理アルゴリズムを開発した。既存のマウス胚発生における細胞動態の解析では、4次元顕微鏡画像に対しては16細胞期以降の核同定の精度は非常に低くなってしまうといった問題点があった。本研究課題では、近年画像解析にて強力な手法として注目を集めている深層学習を用いた核同定アルゴリズムを開発し、50細胞期までの正確な核同定を行い、胚の質を評価し得る定量的な指標の獲得を行った。

【研究の社会的意義】

学術的意義として、当研究課題で開発したQCANetは、極体を除いた細胞核のセグメンテーションを行うことに成功し、初期マウス発生過程における胚ごとの違いを定量的に比較することが可能であることが示された点が挙げられる。
社会的意義としては、今後QCANetを用いて初期胚を定量的に評価するための最適な指標の探索を行うことで、経験的に定められた指標に代わる、産仔作出能との関連性が高い「胚の質を評価し得る指標」の確立が期待される点が挙げられる。

【研究種目】基盤研究(B)

【研究期間】2016-04-01 - 2020-03-31

【配分額】16,380千円 (直接経費: 12,600千円、間接経費: 3,780千円)

【研究分野】天文学

【研究領域課題番号】16K13783 (KAKENデータベースで見る）

【研究キーワード】

機械学習 / 画像認識 / 深層学習 / 畳み込みニューラルネットワーク / 重力波 / 時間領域天文学 / ロボット望遠鏡 / GPU / CNN / マルチメッセンジャー天文学 / 重力波天文学 / 気象識別 / 深層学習（DEEP LEARNING） / 畳み込みニューラルネットワーク（CNN） / 画像処理 / 超高速情報処理 / 天文 / Ｘ線天文学 / 衛星測位

【研究成果の概要】

重力波天文学に代表される時間領域天文学に必須となる天体観測装置のソフトウェア的な基盤技術の開発を行った。現在のロボット観測においてどうしても人間が介在せざるを得ない、観測スケジュールのアレンジと取得画像からの突発天体抽出の完全自動化のために、深層学習やGPUを用いた気象識別と全く新しい突発天体検出アルゴリズムを開発した。これらは、既存のハードウェアをそのまま応用して、多くの観測所で使用することが可能である。また、これらの処理に用いたGPUを従来のデータリダクションに用いることで、30倍の解析時間短縮を実現した。

【研究の社会的意義】

2015年にスタートした重力波観測はすでに多くの重力波イベントを検知しているが、これらから物理的な情報を引き出すためには可視光での追観測が必須である。現状、当番制で国内望遠鏡の監視を継続しているが、この人的な負担は極めて大きい。本研究はこの完全自動化を阻む主要な問題を解決するための要素技術を、安価な市販の計算機で実現するものである。この技術は容易に移植が可能であり、すぐさま重力波監視作業に適用することが国内外の重力波電磁波観測コミュニティから期待されている。

【研究種目】挑戦的萌芽研究

【研究期間】2016-04-01 - 2019-03-31

【配分額】3,770千円 (直接経費: 2,900千円、間接経費: 870千円)

【研究分野】知能情報学

【研究領域課題番号】16H06681 (KAKENデータベースで見る）

【研究キーワード】

音声合成 / アンチ・スプーフィング / 深層学習 / 話者認証 / 音声なりすまし / anti-spoofing / 音声処理 / 音声変換 / 機械学習

【研究成果の概要】

音声合成技術は，人工的に音声を合成する技術である．合成音声の品質を改善するために，本研究では，敵対的学習を用いた統計的音声合成法を提案した．音質劣化の主要因は，音声パラメータの過剰な平滑化により生じたものである．提案法の学習基準は，通常の基準と敵対基準の重み付き和で得られる．敵対的学習は，自然・合成音声の分布間距離を最小化するため，過剰平滑化を効率的に緩和できる．実験的評価から，(1) 提案法はハイパーパラメータに対して頑健に働くこと，(2) Wasserstein 距離最小化に基づく提案法が，もっとも音質改善効果に有効であること，(3) ボコーダフリー音声合成に展開できることを示す．

【研究種目】研究活動スタート支援

【研究期間】2016-08-26 - 2018-03-31

【配分額】2,990千円 (直接経費: 2,300千円、間接経費: 690千円)

【研究分野】生命・健康・医療情報学

【研究領域課題番号】16H05879 (KAKENデータベースで見る）

【研究キーワード】

lncRNA / ノンコーディングRNA / RNA修飾 / RNA構造 / リピート要素 / 深層学習 / 長鎖ノンコーディングRNA / 機能エレメント / RNA結合タンパク質 / RNA相互作用 / バイオインフォマティクス / トランスポゾン / 機能推定 / lncRNA-RNA相互作用 / リボソーム / 機械学習 / m6A / 大規模実験情報 / 進化

【研究成果の概要】

タンパク質に翻訳されずにRNA自体が機能を有する長鎖ノンコーディングRNA（lncRNA）の機能を明らかにするために，RNAの配列・構造・修飾・生体高分子との相互作用などの「機能エレメント」に着目し情報学的な観点から多くの研究を行った．例えば，ジャンクだと考えられていたリピート配列がlncRNAの組織特異的な発現に寄与していたり，タンパク質やDNAとの相互作用に寄与していることを明らかにすることによりlncRNAの機能の解明を試みた．これらを通してlncRNAの機能の分類に寄与する情報基盤技術を確立し，広く公開を行った．

【研究種目】若手研究(A)

【研究期間】2016-04-01 - 2020-03-31

【配分額】23,400千円 (直接経費: 18,000千円、間接経費: 5,400千円)

【研究分野】航空宇宙工学

【研究領域課題番号】16F16079 (KAKENデータベースで見る）

【研究キーワード】

システム健全性管理 / 航空宇宙システム / 異常検知 / 機械学習 / 深層学習

【研究成果の概要】

本研究の目的は、人工衛星や無人飛行ロボットに代表される航空宇宙システムを主たる対象として、障害不再現現象(Not-found-fault)や誤検知などの不確定要因に対して頑強なシステム状態監視フレームワークを確立することである。小さな不具合が甚大な損害を引き起こし得る航空宇宙システムでは、システムの健康状態を監視し異常兆候を迅速に検知し解決する技術が必須である。航空宇宙分野のための頑強なシステム健全性管理技術の確立という本研究の目的を実現するため、平成３０年度（4月１日～７月30日）は主として以下の研究活動を行った。(1)近年発展著しい深層学習のシステム健全性監視・異常検知への応用について網羅的なサーベイを行ない、手法の分類や技術的課題を整理した。この研究成果は国際論文誌 Mechanical Systems and Signal Publishing 誌の2018年7月号に掲載された。(2)深層学習技術のひとつである変分オートエンコーダを応用した健全性監視アルゴリズムを実装し、無人飛行ロボットをテストベッドとしてその有効性を検証した。この成果をまとめた論文を論文誌に投稿中である。(3)2018年7月に開催された機械学習・人工知能の国際会議(ICML)において、機械学習によるシステム健全性監視に関する国際ワークショップをオーガナイズした。また、このワークショップにおいて、本研究の成果の一部を論文として発表した。

【研究種目】特別研究員奨励費

【研究期間】2016-07-27 - 2019-03-31

【配分額】2,100千円 (直接経費: 2,100千円)

【研究分野】腫瘍診断学

【研究領域課題番号】16H06766 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / デジタル病理画像 / 遺伝子変異 / 癌 / 機械学習 / 病理学 / ゲノム

【研究成果の概要】

本研究では、Deep Learning（深層学習）を腫瘍のデジタル病理画像に適用することで、治療の選択に影響を与える遺伝子変異の有無を病理画像から推定し、遺伝子変異と相関する組織学的特徴を病理医が解釈可能な形で提示することを目指す。
本年度は、Deep Learningの教師データを効率よく得るために、腫瘍を含む領域・含まない領域を手動で選択するためのGUIシステム（PathologyMap）を開発した。本システムは地図画像の表示用に開発され、病理医を含む多くのユーザに日常的に利用されているGoogle MapのAPIをベースに実装を行った。そのため、操作方法を学ぶための時間および開発期間が大幅に短縮され、短時間で多くの教師データを生成することが可能となった。本システムを用いて、申請者の研究室に所属する病理医が、実際のデジタル病理画像約３８０症例から腫瘍を含む領域・含まない領域を選択し、教師データを作成した。
また、デジタル病理画像では画像サイズが一般画像と比較して極めて大きいため、入力画像の解像度を調整する必要がある。しかし、高倍率画像では複数の細胞からなる構造レベルの情報が失われ、低倍率画像では細胞レベルの情報が失われるという問題があった。そのため、低倍率から高倍率まで３種類の拡大倍率の画像を同時に学習する深層学習技術であるMulti-resolution Convolutional Autoencoderを開発した。本手法を実際のデジタル病理画像に適用し、単独の倍率のみから学習したモデルに比べて性能が向上することを示した。

【研究種目】研究活動スタート支援

【研究期間】2016-08-26 - 2018-03-31

【配分額】2,990千円 (直接経費: 2,300千円、間接経費: 690千円)

【研究分野】知能ロボティクス

【研究領域課題番号】15H01710 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / 予測学習 / マルチモーダル / 動作プリミティブ / RTミドルウェア / 認知ロボティクス / End to End学習 / マルチモーダルシステム / 多目的ロボット / 知能ロボティクス / 認知科学 / 知能ロボティックス / 機械学習 / 自己組織化 / ロボット動作学習 / マルチモーダルインターフェース

【研究成果の概要】

近年，深層学習が多様な領域で利用されているが，その適用範囲は電子化されたデータ処理に特化されており，実世界での作業性が十分に得られていない．一方，ロボットを用いた生活支援が強く期待されている．近年は，汎用型のロボットOSを利用した多機能型汎用ロボットの可能性が着目されている．そこで本研究では，ロボットOSと深層学習を用いたロボット動作学習を実現し，ロボットの知能化と開発コスト削減を行った．
具体的には，乳幼児の発達学習に関連した認知発達ロボティクス研究の成果を活用し，模倣学習，予測符号化などの概念を元に，実ロボットのから得られる感覚運動情報（経験）を深層学習によりモデル化する手法を提案した．

【研究種目】基盤研究(A)

【研究期間】2015-04-01 - 2020-03-31

【配分額】42,900千円 (直接経費: 33,000千円、間接経費: 9,900千円)

【研究分野】知覚情報処理

【研究領域課題番号】15H02724 (KAKENデータベースで見る）

【研究キーワード】

テキスト音声合成 / 統計的パラメトリック音声合成 / 韻律生成 / ガウス過程回帰 / GPR音声合成 / HMM音声合成 / 機械学習 / 深層学習 / 音声情報処理 / 深層ガウス過程

【研究成果の概要】

多様で表情豊かな音声合成の実現に向け，統計的パラメトリック音声合成の新たな枠組みであるガウス過程回帰に基づく音声合成（GPR音声合成）技術の確立をめざして研究を行った。ガウス過程回帰に基づいたスペクトルパラメータ生成に加え，基本周波数および音韻継続長予測からなる韻律生成手法を提案し，GPR音声合成システムを構築した。評価実験を通してGPR音声合成手法の有効性を示すとともに，多様な話者性やスタイルによる音声合成への応用，従来手法では合成音声の韻律の自然性が不十分であった声調言語への適用を検討し，提案手法の有用性を示した。

【研究種目】基盤研究(B)

【研究期間】2015-04-01 - 2018-03-31

【配分額】13,000千円 (直接経費: 10,000千円、間接経費: 3,000千円)

【研究分野】知能情報学

【研究領域課題番号】26240036 (KAKENデータベースで見る）

【研究キーワード】

オントロジー / インテリジェントサービス / テキストマイニング / 知能ロボット/ / ワークフロー / 機械学習 / プランニング / 人型ロボット / 製品組立作業 / スマートグラス / 故障診断 / 業務ルール / 人工知能サービス / 深層学習 / 系列パターン評価指標 / Linked Data / ドライバー行動 / 自律的作業改善 / ビッグデータ

【研究成果の概要】

オントロジーとデータマイニングに基づくインテリジェントサービス開発基盤を設計，実装，評価するために，(1)ビッグデータからパターンライブラリをマイニングする系列DM/TMモジュール，(2)ローカルリンクトデータ生成器，(3)リンクトデータクラウド生成器，(4)オントロジーアライメントモジュール（＋アプリケーションオントロジー生成器），(5)AIタスク合成器を個別に設計し実装した後，それらの成果物をインテリジェントサービス開発基盤として統合する。
さらに、行政支援，自動車運転支援，知能ロボットによる作業支援、教育支援サービス、スマートグラスによる作業支援を通して評価し、良好な結果を得た。

【研究種目】基盤研究(A)

【研究期間】2014-04-01 - 2018-03-31

【配分額】41,990千円 (直接経費: 32,300千円、間接経費: 9,690千円)

【研究分野】情報ネットワーク

【研究領域課題番号】26330101 (KAKENデータベースで見る）

【研究キーワード】

サイバーセキュリティ / DNS / SDN / NFV / Hadoop / 深層学習 / セキュリティ / 機械学習 / トラフィック解析 / DDoS / Botnet / ボットネット / 攻撃緩和 / DDoS攻撃 / NTP / 増幅攻撃 / hadoop

【研究成果の概要】

本研究では、主にDNSを主としたパケット増幅攻撃に対して、その攻撃の予兆を分析するための手法提案とシステム実装を行った。実装したシステム、誰でも利用できるオープンな実装として公開した。また、本システムを使った検知の事例を示し、パケット増幅攻撃や情報漏えいにつながる攻撃をSDN技術を用いて防御するための手法を提案した。本防御手法は、インターネットの基幹部分であるインターネットエクスチェンジ (IX) において機能する手法であり、複数の IX にて連携動作させることで、より効果的な防御対策となる。さらに、プロアクティブな攻撃対策を行うために、深層学習を用いた攻撃予測の可能性について検討した。

【研究種目】基盤研究(C)

【研究期間】2014-04-01 - 2017-03-31

【配分額】4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)

【研究分野】ウェブ情報学・サービス情報学

【研究領域課題番号】26330344 (KAKENデータベースで見る）

【研究キーワード】

取引ネットワーク / 機械学習 / ネットワーク分析 / 深層学習 / サプライチェーン

【研究成果の概要】

本研究は、大規模な企業間の取引ネットワークの分析に基づき、ネットワークにおける企業間の新たな提携・連携先の発見支援、および頑健で持続可能なサプライチェーンの構築支援を目的とする。そのために、機械学習手法である深層学習を用いて、企業間の取引に関わる大規模な異種のビッグデータから取引構造の潜在的な特徴量の抽出を行い、取引構造を汎用的にモデル化する手法の研究を行った。その上で実際に取引先の推薦サービスを提供するシステム構築を行った。これにより、企業の取引予測に有用な潜在的な特徴量を設計するための知見やレジリアントな取引ネットワークをデータに基づいて構築するための知見を明らかにした。

【研究種目】基盤研究(C)

【研究期間】2014-04-01 - 2017-03-31

【配分額】4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)

【研究分野】統計科学

【研究領域課題番号】25730013 (KAKENデータベースで見る）

【研究キーワード】

構造的正則化 / テンソルモデリング / ベイズ推定 / 再生核ヒルベルト空間 / ガウシアンプロセス / 確率的最適化 / 高次元統計 / 統計的学習理論 / 機械学習 / 統計的学習 / 深層学習 / スパース推定 / 確率密度比 / ビッグデータ / 低ランクテンソル推定 / 交互最適化 / 交互方向乗数法 / ガウシアンプロセス事前分布 / ベイズ統計 / 交互方向定数法 / 低ランク行列

【研究成果の概要】

近年あらゆる分野において扱うデータは急速に大規模化している．また 同時に，巨大なデータは内在的に多様な構造を有するようにもなってきている．そのような多量かつ多様なデータを扱うため，構造的スパース性に着目し，それを利用した推定方法を体系的に提案・分析した．そのため，構造的正則化学習と呼ばれる学習方法を高速に解くための確率的最適化手法として，確率的交互方向乗数法を提案した．また，テンソルモデリングと呼ばれているデータ間の関係性を記述するモデルを考察し，ミニマックス最適性と呼ばれる統計的な最適性を満たす推定量を構築した．以上の研究トピックを通して理論から応用まで包括的な研究を行った．

【研究種目】若手研究(B)

【研究期間】2013-04-01 - 2018-03-31

【配分額】4,160千円 (直接経費: 3,200千円、間接経費: 960千円)

【研究分野】知能情報学

【研究領域課題番号】13F03041 (KAKENデータベースで見る）

【研究キーワード】

自然言語処理 / 機械学習 / ニューラルネットワーク / 深層学習 / 句の表現 / ジョイントモデリング / 意味解析 / 構文解析 / ベクトル空間モデル

【研究成果の概要】

本研究プロジェクトの目的はあらゆる句を正規化であるが、それを行うためには、様々な言語表現によって記述される名詞句や動詞句間の類似性を数値的に表現できる必要がある。
近年、そのような手法として、word2vecをはじめとする単語の分散表現の自動学習手法が注目を集めているが、我々はそれをさらに発展させ、「形容詞＋名詞句」や「主語＋動詞＋目的語」といった句の分散表現を、構文解析済みの大量のテキストから自動学習する手法を開発した。具体的には、述語・項構造と呼ばれる、「深い」構文構造上にニューラルネットワーク言語モデルを構成し、述語・項構造中の単語予測の精度を最大化することによって、単語や句のベクトル表現を学習した。この種のベクトル表現の評価には、人間があらかじめ句の類似性を数値的にアノテートしたデータセットがしばしば用いられる。すなわち、得られたベクトル表現から計算される句同士の類似度が、人間の判断する類似度と高いほど高精度ということになるが、我々の手法によって得られたベクトル表現は、「形容詞＋名詞」や「名詞＋名詞」などにおいては、従来の世界最高レベルと同程度、「主語＋動詞＋目的語」のようなさらに複雑な構造をもつ句に対しては、従来の世界最高精度を上回る精度を達成した。このことは、我々の手法によって得られた句の分散表現が、従来手法よりも句の意味的な類似度をより正確にとらえていることを示している。

【研究種目】特別研究員奨励費

【研究期間】2013-04-01 - 2016-03-31

【配分額】2,300千円 (直接経費: 2,300千円)

【研究分野】制御・システム工学

【研究領域課題番号】25420452 (KAKENデータベースで見る）

【研究キーワード】

サポートベクターマシン / ニューラルネットワーク / 機械学習 / 適応制御 / パターン認識 / 深層学習 / 局所線形化 / パターン分類

【研究成果の概要】

本研究では、制御系設計などに利用しやすい構造を持つニューラルネットワークモデルを構築し、そのパラメータを推定するための体系的な学習法の確立を行った。具体的に、回帰または分類のための利用しやすい線形構造を有する準線形サポートベクターマシン（SVM）の構築およびそのオンライン学習法の開発を行い、スイッチングが適応制御法や高性能分類器の開発等への応用研究を行った。

【研究種目】基盤研究(C)

【研究期間】2013-04-01 - 2017-03-31

【配分額】4,940千円 (直接経費: 3,800千円、間接経費: 1,140千円)