「少ないデータ」による機械学習と業務への導入、活用方法

第1部. 少ないデータにおいて機械学習をする際の工夫および注意

～半教師あり学習・転移学習・モデルの検証～

(2019年11月27日 10:00〜11:30)

　機械学習では、目的変数と説明変数との間で回帰モデルやクラス分類モデルが構築される。データの数が大きいほうがモデルを構築しやすいが、実際にはデータ数が小さい状況も存在する。またデータが少ないときにはモデルを検証する際に注意しなければならない。本講演では、半教師あり学習・転移学習といった少ないデータにおける機械学習の方法を解説する。さらにデータ数が小さいときのモデル検証に関する問題点とその対処法についても説明する。

1. データ数が少ない状況
2. データ数が少ないときの機械学習+α
   1. 半教師あり学習
   2. 転移学習
3. データ数が少ないときのモデルの検証
   1. クロスバリデーション
   2. midpoints between k-nearest-neighbor data points of a training dataset (midknn)
   3. ダブルクロスバリデーション
   4. Y-randomization
   5. モデルの適用範囲
4. 応用事例
• 質疑応答

第2部. スパースモデリング技術を用いた少ないデータによる機械学習と活用方法

(2019年11月27日 12:15〜13:45)

　新聞やWebメディアでAIという文字を目にしないことがないほどAIは一般に広く使われ始めています。このAIを支える中心技術として機械学習があります。 　本講演では機械学習とその中でも特に注目されているディープラーニングを簡単におさらいした上で、ディープラーニングの適用が難しい少ないデータによる機械学習について解説します。最初に機械学習プロジェクトの進め方を実プロジェクトから得たノウハウとともに解説します。次にブラックホールの撮像でも話題になった少ないデータに適用できる機械学習の一手法であるスパースモデリングについていくつかのアルゴリズムを簡単に解説し、その適用事例を紹介します。数式はなるべく使わずに解説いたしますので、製造従事者、マーケティングや新規事業開発に関わる方々も歓迎いたします。

1. 機械学習とは
   1. 機械学習の歴史
   2. ディープラーニングの特性
   3. ディープラーニングの問題
2. 少ないデータでの機械学習プロジェクトの進め方
   1. プロジェクト開始前
   2. PoCプロジェクト
   3. 本番導入プロジェクト
3. スパースモデリングについて
   1. スパースモデリングとは
   2. L0ノルム, L1ノルムについて
4. スパースモデリングの応用例
   1. Lasso
      • Lasso
      • FusedLasso
      • TrendFiltering
      • 時系列データへの応用
   2. 辞書学習
      • 辞書学習とは
      • 画像の欠損補間
      • 画像の異常検知
      • 画像の超解像
• 質疑応答

第3部. 機械学習の組合せによる少ないデータを用いた車載画像認識

(2019年11月27日 14:00〜15:30)

　近年ディープラーニングをはじめとするAIが大きなブームとなっており、産業での活用が期待されている。しかし、精度は高いものの学習データの質と量に依存しており、十分なデータが得られない場合、その結果はどうなるか分からない。安全性を重視する分野に適用するには注意が必要であるが、現状ではその性能を保証する方法は見つかっていない。 　本講演では、安全性が重視される自動車の運転支援に用いられる画像認識において、大量のデータが得られない場合の対処例を2つ取り上げ、ディープラーニングとの比較を一部含め、その技術について映像を交えて解説する。

1. 背景
   1. ディープラーニングの課題
   2. 対処方法
2. ディープラーニングを使わない機械学習の組合せによる車載画像認識の例
   1. 人の知識と機械学習を融合した車両パターン認識技術
      • 背景
      • 認識アルゴリズム
      • 評価結果・映像
   2. 機械学習と正規化相関を融合した車載魚眼ステレオ技術
      • 背景
      • 認識アルゴリズム
      • 評価結果・映像
      • ディープラーニングとの比較
• 質疑応答

第4部. 『Wide Learning』技術による少量データAIと業務への導入、活用方法

(2019年11月27日 15:45〜17:15)

　本講演では、データに潜むあらゆる仮説を調べることで、業務や生活におけるボトルネックを見つけ、人に新たな価値を届けるWide Learningを紹介する。従来のAIは、「大量データが必要」「判断根拠が不明」などの理由から、現場導入のハードルが高かった。 　本技術は、手持ちのデータから人が理解できる重要な特徴を網羅的に抽出する。これにより、社会やビジネスのあらゆるシーンでの判断支援が期待できる。

1. 説明可能なAIの必要性
2. Wide Learningの説明
3. Wide Learningの3つの特徴
   1. 透明性が高い
   2. 手持ちのデータでできる
   3. 機械学習の先をいく知識発見
4. 応用事例
   1. デジタルマーケティング
   2. 不良品検知
   3. ビジネス文書分析
   4. その他
5. 今後の展開
• 質疑応答