YUKI150321550I9A4447_TP_V

今回は人工知能・機械学習の研究室の紹介です。

早稲田大学 先進理工学部 電気・情報生命工学科 村田研究室です。主催者は村田昇教授です。

村田研究室 早稲田大学 先進理工学部 電気・情報生命工学科の研究室 | 村田研究室 - 早稲田大学 先進理工学部 電気・情報生命工学科

なお今回の研究内容については以下の本が参考になります。

どんな研究をしているの?

村田研究室では、人が学習する過程を数学的に表現し、数理モデルとする研究をしています。また開発した手法をいろいろな分野に応用しています。

研究内容

村田研究室の研究内容は大きく分けて9つあります。

  • ニューラルネットワーク
  • カーネル法
  • 独立成分分析
  • 強化学習
  • 集団学習
  • グラフマイニング
  • 統計学習モデル
  • グラフィカルモデル
  • クラスタリング

順に説明します。

ニューラルネットワーク

人の脳の中では、たくさんの神経細胞がつながっています。その神経細胞同士で電気信号のやり取りをして、いろいろな情報処理を行なっているわけです。この人の脳の中での神経細胞による除法処理を数学的なモデルとして表したのが、ニューラルネットワークです。

村田研究室ではいろいろな種類のニューラルネットワークの研究をしています。

カーネル法

複雑な非線形の関係をもつデータがあったときに、ニューラルネットワークなどの非線形のモデルを作ると、モデルが複雑になりすぎる危険があります。非線形のモデルを作るのは難しいのです。

そこで、カーネル法を用います。カーネル法では、まずデータを、そのデータがもつ特徴がより表されている空間に変換します。変換したあとに、単純なモデル (線形のモデル) を構築するわけです。これによりあまり複雑でない非線形のモデルを作ることができます。

カーネル法はいろいろな統計手法・機械学習手法を組み合わせることができます。

独立成分分析

人は、他の人たちの話し声や音楽などがあるなかでも、特定の人の話を聞き分けることができます。これをカクテルパーティ効果と呼びます。これを、数学的に実現するのが独立成分分析です。いろいろな信号が混ざり合った信号から、元の信号を再現することができます。

脳波のような生体信号や、レーダ・ソナーなどの信号、画像をはじめいろいろな分野に応用されています。

強化学習

人が失敗を繰り返しながら、反省しながら成功に近づくのを、数学的に表現したのが強化学習です。途中の過程に重要な意味があるときに有効な学習方法です。

集団学習

いわゆる「三人寄れば文殊の知恵」です。数学的なモデルをたくさん準備して、それらを組み合わせることでモデルの精度を上げる研究をしています。

こちらも合わせてご覧ください。

アンサンブル学習の2つのメリット・利点(回帰分析・クラス分類) : 大学教授のブログ

グラフマイニング

路線図・電気回路・化学構造などのように、点 (ノード) と線 (エッジ) でつながれたものをグラフといいます。このグラフ構造から有用な情報を抽出する研究をしています。SNSの友達同士のつながりもグラフ構造で表現できます。

統計学習モデル

データに基いて学習されたモデルにおいて重要なことは、新しいデータに対して適切なに予測を行うことです。そのための学習について理論的な研究をしています。

グラフィカルモデル

グラフ構造における、ノード間の依存関係を確率的に表現するモデルです。

クラスタリング

データ間の類似度に基いて、データをクラスター (かたまり) ごとに分けることです。

ご案内。

オススメ記事セレクション。

twitterでも発信中。

この記事に興味を持っていただけましたら、ぜひフォローをお願いします!


無料メルマガでブログにない情報を配信中。

データ解析・分析に興味がありましたらぜひ登録をお願いします!
無料メルマガの登録はこちら