機械学習における今後の応用展望

ドメイン適応、継続学習、XAIの実応用に向けた課題と開発動向

~ 少ないデータ、説明できるAI、汎用機械学習 ~

セミナー講師

1. オムロンサイニックエックス(株) Principal Investigator
(株)Ridge-I Outside Chief Research Officer 博士(情報理工学) 牛久 祥孝 氏

2. NTTコミュニケーションズ(株) 技術開発部 切通 恵介 氏
3. (国研)理化学研究所 革新知能統合研究センター 研究員 博士(情報科学) 熊谷 亘 氏

セミナー受講料

1名につき60,000円(消費税抜き・昼食・資料付き) 
〔1社2名以上同時申込の場合1名につき55,000円(税抜)〕

セミナープログラム

<10:00〜12:00>
1.映像・映像分野における応用動向とドメイン適応による少ないデータでの活用可能性
オムロンサイニックエックス(株) 
(株)Ridge-I  牛久 祥孝 氏 
【講演要旨】
 本講演の前半では、画像・映像分野における応用動向について概説します。
これらは、画像・映像と言った視覚情報を理解する研究と、逆にそうしたデータを生成しようという研究に大別されます。また、ひとくちに画像と言ってもその中に写っているものは多様であり、細胞や人体組織と言ったミクロなスケールから、我々の生活空間、果ては衛星からの画像まで扱われています。
 それら多様なドメインと、近年広がりを見せつつある3次元データへの取り組みについても触れます。
また深層学習の恩恵は、画像や自然言語といった単独のモダリティでの識別や生成の精度の向上だけではありません。各モダリティで独自の特徴量抽出や処理技術が発達していた中で、深層学習が共通のモジュールとして浸透したことも大きな変化です。そのような例として、コンピュータビジョンと自然言語処理の狭間でビジョン&ランゲージと呼ばれる融合分野についても紹介します。
  また後半では、逆に深層学習によって生じた課題について触れます。深層学習の研究ではソースコードが公開されているものも多く、パブリックなデータセットとの組み合わせによってすぐに試せる状況です。しかしながら、いざそれらの技術を実際の現場で運用しようとすると、自前で大量のデータを用意しないとうまく挙動しない場合が非常に多いです。
 本講演の後半では、そうした大量のデータが無い場合にどうすればよいかについて触れます。
特に「教師情報が付いたデータは多く用意できないが、教師情報が無いようなデータならたくさん集まる」場面に有効なドメイン適応と呼ばれる技術についてご紹介いたします。

1.深層学習の衝撃
2.画像・映像分野における応用動向
 2.1 画像・映像の理解
 2.2 画像・映像の生成
 2.3 ビジョン&ランゲージ

3.少ないデータでの活用可能性
 3.1 データ全体が少ないとき
 3.2 教師情報のあるデータが少ないとき

【質疑応答・名刺交換】


<12:50〜14:50>
2.Deep Learningにおける判断根拠の抽出手法とその実例
NTTコミュニケーションズ(株) 切通 恵介 氏 
【講座の要旨】
 説明可能なAI、すなわちXAI(Explainable AI)は機械学習、特にDeep Learningの文脈で研究としても実応用としても非常に注目をされています。一方でAIという言葉が先行する中ではやみくもに複雑なモデルを利用するのではなく、その説明の重要性や問題の複雑性から利用する手法を慎重に選ぶことも重要です。
 本講座では機械学習を題材として説明可能なAIについて概要を解説・整理し、特にDeep Learningにおける判断根拠の抽出手法の研究および応用例を紹介します。

1.説明可能なAIの概要
2.Deep Learningの判断根拠抽出の研究
3.Deep Learningの判断根拠抽出の応用例
 3.1 分類
 3.2 デジタルツイン

【質疑応答・名刺交換】


<15:00〜17:00>
3.汎用的な機械学習システムを構築するための現在の困難と今後の可能性
理化学研究所 熊谷 亘 氏
【講座の趣旨】
 現在の機械学習技術を用いれば,特定の問題では人間の性能を上回ることができる一方で、未だに人間の知的作業を十分に代替できないような問題も多数存在します。
例として、意味や意図の理解、真のパーソナルアシスタント、解決すべき問題の提案、高度な論理的推論、常識の獲得などが挙げられます。これらの課題を十分に解決できない原因として、現在は各々の問題に特化したモデルやアルゴリズムが設計されており、汎用的な知識の蓄積と利活用がしにくいことが挙げられます。
  本講演では初めに人工知能と機械学習の基礎事項をご紹介し、続いて汎用的な機械学習システムのための基礎技術である転移学習や継続学習についてご説明します。さらに現在の困難と今後の展望についてもお話します。基礎から最先端の研究内容までご紹介する予定ですので、当該分野についてご興味のある方は短時間で概観を得ることができます。

1.機械学習と人工知能
  1.1 人工知能の歴史  
  1.2 機械学習の概観  
  1.3 深層学習の発展

2.転移学習とマルチタスク学習 
  2.1 機械学習が失敗する場合とは
  2.2 転移学習の定式化と応用例
  2.3 マルチタスク学習の定式化と応用例

3.継続学習
  3.1 汎用性獲得のための課題
  3.2 継続学習の定式化
  3.3 表現学習の重要性

4.まとめ
  4.1 継続学習の現状の課題
  4.2 継続学習の関連分野と今後の展望

【質疑応答・名刺交換】