| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2022-03-08 13:05 ［招待講演］データの性質や物理法則を保証する幾何学的深層学習 ○松原 崇（阪大）  IBISML2021-34 |
|
| 抄録 | （和） | 深層学習には現在人工知能(AI)を構築する最も有力な手法と考えられ，画像や自然言語の認識や編集において，ときに人間を上回るような性能を発揮します．深層学習は十分なデータ量と計算量があれば，任意の関数を近似可能であることが知られています．一方で，深層学習はその意思決定を理解したり制御したりすることが難しく，ときに信頼できないと評されることがあります．「AIが信頼できない」と言うとき，「AI以外の手段は信頼できる」という意味を含みます．通常の深層学習と異なり，数理モデルは対象が持つ様々な性質（因果関係，幾何的対称性，物理法則）を保証するよう設計されています．深層学習がそのような性質を保証することができれば，AIは数理モデルと同程度には信頼できるものになるでしょう．深層学習を構成する演算を適切に置き換えると，近似可能な関数空間が特定の性質をもった部分空間に制約され，学習された深層学習が必ずその性質を持つことが保証されます．実際，畳み込みとグラフニューラルネットワークであり，それぞれ平行移動同変性と順序入れ替え同変性を持ちます．このような考えを一般化し，幾何学的に表現できる様々な性質を保証する手法を「幾何学的深層学習」と呼びます．物理系における保存則もある種の幾何学的対称性に結びついており，幾何学的深層学習の対象です．本講演では著者らによる近年の発表論文を中心に，このような動的システムの様々な性質を保証する幾何学的深層学習について紹介します． |
| （英） | Deep learning is being considered as the most promising approach to building an artificial intelligence (AI) system; it sometimes recognizes and edits images and natural languages at a superhuman level. Given a sufficient amount of data and computational resources, deep learning can approximate an arbitrary function. However, deep learning makes decisions difficult to understand and control, and it is often described as ``unreliable''. The phrase ``AI is unreliable'' implies that ``non-AI approaches are reliable.'' In contrast to regular deep learning, mathematical models are designed to guarantee properties of targets, such as a dependency between factors, a geometric symmetry, and laws of physics. If deep learning guaranteed these properties, it would provide the same level of reliability as mathematical models. When replacing operations that compose deep learning appropriately, the function space to be approximated is restricted to a certain subset with desired properties, and the deep learning after training is guaranteed to have those properties. In fact, convolutional and graph neural networks have the translation and permutation equivariance, respectively. Geometric deep learning is a generalization these approaches, which guarantees various properties described using geometric concepts. Conservation laws of physical systems are associated with certain geometric symmetries and are included as objects of geometric deep learning. In this talk, the author will introduce geometric deep learning that guarantees various properties of dynamical systems, with a focus on recent publications by the author or his collaborators. | |
| キーワード | （和） | 幾何学的深層学習 / 幾何学的対称性 / 動的システム / 保存則 / / / / |
| （英） | geometric deep learning / geometric symmetry / dynamical system / conservation law / / / / | |
| 文献情報 | 信学技報, vol. 121, no. 419, IBISML2021-34, pp. 27-27, 2022年3月. | |
| 資料番号 | IBISML2021-34 | |
| 発行日 | 2022-03-01 (IBISML) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | IBISML2021-34 |
|
| 研究会情報 | |
| 研究会 | IBISML |
| 開催期間 | 2022-03-08 - 2022-03-09 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 機械学習・一般 |
| テーマ（英） | Machine Learning, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | IBISML |
| 会議コード | 2022-03-IBISML |
| 本文の言語 | 日本語 |
| タイトル（和） | データの性質や物理法則を保証する幾何学的深層学習 |
| サブタイトル（和） | |
| タイトル（英） | --- |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 幾何学的深層学習 / geometric deep learning |
| キーワード(2)（和/英） | 幾何学的対称性 / geometric symmetry |
| キーワード(3)（和/英） | 動的システム / dynamical system |
| キーワード(4)（和/英） | 保存則 / conservation law |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 松原 崇 / Takashi Matsubara / マツバラ タカシ |
| 第1著者 所属（和/英） | 大阪大学 (略称： 阪大) Osaka University (略称： Osaka Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2022-03-08 13:05:00 |
| 発表時間 | 40分 |
| 申込先研究会 | IBISML |
| 資料番号 | IBISML2021-34 |
| 巻番号（vol） | vol.121 |
| 号番号（no） | no.419 |
| ページ範囲 | p.27 |
| ページ数 | 1 |
| 発行日 | 2022-03-01 (IBISML) |
[研究会発表申込システムのトップページに戻る]