(2020年1月27日 10:00〜12:00)
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。
(2020年1月27日 12:50〜14:50)
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。
(2020年1月27日 15:00〜17:00)
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。
学校教育法にて規定された国、地方公共団体、および学校法人格を有する大学、大学院の教員、学生に限ります。