【中止】小規模データセットのための実践的ディープラーニング

データ拡張、深層生成モデル、ドメイン適応など
ディープラーニングにおいて少ないデータ量でも
性能を得る手法について、実例とともに紹介！

セミナー講師

松原 崇 氏　神戸大学大学院 システム情報学研究科 助教 （博士（工学））
・経歴
　2015年 大阪大学大学院基礎工学研究科 博士後期課程修了
　2018年度 人工知能学会 全国大会優秀賞 (一般セッション口頭部門)
・所属学会
　IEEE、電子情報通信学会、人工知能学会

セミナー受講料

お1人様受講の場合　47,000円[税別] / 1名
1口でお申込の場合　59,000円[税別] / 1口（3名まで受講可能）
受講申込ページで2～3名を同時に申し込んだ場合、自動的に1口申し込みと致します。

セミナー趣旨

　ディープラーニングはデータから帰納的に識別モデルを構築するため、十分な性能を得るためには大量のデータを集めなければならない。しかし実用上、目的に合わせて大量のデータを収集することは非常に困難である。そのため
・識別対象に対する知識を使うことでディープラーニングに制約を課す（データ拡張、深層生成モデル）
・別のデータで得られた知見を応用する（ドメイン適応）などの工夫を行うことで、比較的少ないデータ量でも悪くない性能を達成することができる。データ拡張とはデータに手を加えて量を増やすことである。例えば、自動車の画像は拡大縮小・左右反転させても自動車として識別されてほしい。そのような操作を加えることで、元の画像の大きさに依存せずに、普遍的な特徴を学習する。またドロップアウト(dropout)のように、データにノイズを加える手法もある。それだけでなく、一部を切り取ったりくっつけたりすることもある。なぜこのような手法が有効なのか、理論的な背景も含めて説明する。
　また深層生成モデル（変分自己符号化器VAEや敵対的生成ネットワークGAN）はリアルな擬似データを作ることができるが、この擬似データを追加の学習データにすることもできる。また深層生成モデルそのものを分類に使うことで、小規模データの分類も可能である。
　ドメイン適応は目的以外に大規模データセットが存在するときに有効な方策である。ImageNetのような大規模データで学習した特徴量を流用したり、ラベルを付与したデータの情報から、ラベルを与えていないデータを学習を手助けしたりできる。これらの手法について、いくつかの実例とともに紹介していく。

セミナープログラム

1. ディープラーニング入門
　1.1. ディープラーニングとは
　1.2. ディープラーニングの現状
　1.3. データ量と性能の関係

2. データの増やし方
　2.1. 一般的なデータ拡張とその意味
　2.2. 一般的でないデータ拡張と用途 　　
　2.3. 生成モデルを用いたデータ拡張
　2.4. 生成モデルを用いた設計

3. ドメイン適応と転移学習
　3.1. 転移学習
　3.2. ドメイン適応
　3.3. ドメイン適応を用いたデータ拡張

4. その他の話題