HOME > 研究活動・産学官連携 > ネットジャーナル > ネットジャーナル48

ネットジャーナル48

解説

解説1:グラフ集合からの機械学習

グラフ(graph)は離散・組合せを扱う数学や計算機科学の対象としても馴染み深いが、「graph」という専門用語が最初に使われたのは分子グラフの研究であり、多様な歴史とその汎用性の点で非常に面白い対象である。
(参考:「グラフ理論への道 1736-1936」(N.L.ヒッグス,他 著,一松信,秋山仁,他 翻訳)」)

図

文献:
Takigawa I, Mamitsuka H,
Graph mining: procedure, application to drug discovery and recent advances. Drug Discovery Today. 2013;18(1-2):50-57.

瀧川一学,
多数のグラフからの統計的機械学習 (深化する機械学習:技術の進展とその応用特集号).システム/制御/情報, 2016;60(3):106-111.

瀧川一学,
データマイニングとしての多重標的相互作用解析.日本薬学会・構造活性相関部会 SAR NEWS, 2015;29:9-17.

瀧川一学・馬見塚 拓,
化学とグラフアルゴリズム (ヘッドライン:化学と数学の接点).化学と教育, 2011;59(9):450-453.

本文にもどる

解説2:深層学習, 表現学習, 多階層計算グラフ

従来、無加工の生計測データをそのまま機械学習にかけても精度は出なかったため、画像認識や音声認識など各々の個別の問題ごとに人手で有効特徴量の設計や評価の研究が行われてきた。

近年、「深層学習」として、多階層計算グラフに基づき生データから有効特徴表現を獲得するための汎用的枠組みが確立し、多数の課題での成功例が報告されている。特に、データが多量に利用できるケースで有効であることが示唆されており、現在も研究が活発に行われている。伝統的な統計モデルはデータが多量にあっても少数のサンプルで推定した際と精度はほとんど変わらない。むしろ少ないデータから物を言うための理論としてこの点は要求されてきたとも言える。一方、深層学習では、基本的にデータが増えれば増えるほどモデルに取り込み精度向上が見込める。そのため、現代の多様な大量データを活かす技術として産業や科学でも注目され、特にインターネット企業の屋台骨を成す基幹技術として既に確立する他、多数の製品やサービスも溢れるようになった。

現在はまだ技術研究の過渡期であるが、さらに研究が進めば、個別の問題ごとに人手の有効特徴量の設計をすることなく、多量のデータと深層学習という単一の枠組みのチューニングで、できるだけ人手の恣意性を介することのない汎用のend-to-endな学習技術の確立が期待されている。

図

本文にもどる

解説3:JSTさきがけ・マテリアルズインフォマティクス領域

図

リンク
理論・実験・計算科学とデータ科学が連携・融合した先進的マテリアルズインフォマティクスのための基盤技術の構築

本文にもどる

ページの先頭へ