イベント企画
トップコンファレンスセッション1
機械学習
9月3日(火) 9:30-12:00
第4イベント会場(一般教育棟 B棟 B41)
座長 神嶌敏弘(産総研)
9:30-9:50 講演(1) 教師あり学習に基づく時系列の因果推論
近原 鷹一(日本電信電話株式会社 NTTコミュニケーション科学基礎研究所 研究員)
【原発表の書誌情報】 Chikahara, Y., Fujino, A.: Causal inference in time series via supervised learning, Proc. of the 27-th International Joint Conference on Artificial Intelligence (IJCAI), pp. 2042-2048 (2018).
【概要】 時系列データから変数間の因果関係を推定する問題は、時系列解析における重要な問題の一つである。本講演では、時系列の因果関係の定義の一つであるGranger causalityに着目し、その有無・方向を推定する問題を、時系列データの分類問題として解くアプローチについて紹介する。
【略歴】 2013年慶應義塾大学理工学部生命情報学科卒業。2015年東京大学大学院情報理工学系研究科コンピュータ科学専攻修了。同年、日本電信電話株式会社(NTT)入社。以降、NTT コミュニケーション科学基礎研究所にて、機械学習・知識発見に関する研究に従事。第118回情報処理学会数理モデル化と問題解決研究会ベストプレゼンテーション賞(2018年)等受賞。
9:50-10:10 講演(2) 正信頼度データからの二値分類
石田 隆(東京大学/理化学研究所)
【原発表の書誌情報】 Ishida, T., Niu, G., Sugiyama, M.: Binary classification for positive-confidence data, Advances in Neural Information Processing Systems 31 (NeurIPS), pp. 5917-5928 (2018).
【概要】 負例やラベル無しデータにアクセスできず、正例しか手に入らない状況で二値分類器を学習できるだろうか?本論文では、正例に正信頼度を付与することができれば、二値分類器を学習できる手法「正信頼度分類」を提案する。
【略歴】 2013年慶應義塾大学経済学部卒業、2017年東京大学大学院新領域創成科学研究科修士課程修了。2013年〜2019年に三井住友DSアセットマネジメント、現在は東京大学大学院新領域創成科学研究科博士課程在籍中。専門は機械学習。2017年度IBISML研究会賞を受賞。
10:10-10:30 講演(3) ニューラルネットワークのスケーラブルなノイズ耐性保証
都竹 雄介(東京大学 情報理工学系研究科コンピュータ科学専攻佐藤研究室 学生)
【原発表の書誌情報】 Tsuzuku, T., Sato, I., Sugiyama, M.: Lipschitz-margin training: Scalable certification of perturbation invariance for deep neural networks, Advances in Neural Information Processing Systems 31 (NeurIPS), pp. 6541-6550 (2018).
【概要】 ニューラルネットワークが入力に対する微小なノイズに対して敏感に反応することがセキュリティ上の脅威として近年問題視されている。ネットワークのノイズ耐性を向上させるヒューリスティックスが数多く提案されてきたが、それらを突破する新しい攻撃手法もまた提案されてきた。この論文では後続の攻撃手法によって破られ得ないような理論保証付きのノイズに対する防衛法を提案する。
【略歴】 2018年東京大学理学部情報科学科卒業。同学情報理工学系研究科コンピュータ科学専攻在学。ニューラルネットワークのノイズ耐性、汎化誤差解析、分散学習等に関する研究に従事。
10:30-10:50 講演(4) 不対ラベルからの向上作用モデリング
山根 一航(東京大学 大学院新領域創成科学研究科 特任研究員)
【原発表の書誌情報】 Yamane, I., Yger, F., Atif, J., Sugiyama, M.: Uplift modeling from separate labels, Advances in Neural Information Processing Systems 31 (NeurIPS), pp.9927-9937 (2018).
【概要】 マーケティングや個別化医療などでは、処置(広告など)が結果(購買量など)に与える効果をデータから推定することが重要である。本発表では、処置と結果の両方が同時に観測できない場合でも使える推定量を提案する。
【略歴】 2019年東京大学新領域創成科学研究科複雑理工学専攻修了。博士(科学)。2016年から2018年まで日本学術振興会特別研究員(DC2)。2019年4月より同研究科CREST特任研究員。専門は機械学習で、特にマルチタスク学習や限られた情報からの機械学習についての研究に従事。
10:50-11:10 講演(5) Co-teaching:極度にノイズの多いラベルに対する頑健な深層ニューラルネットの訓練方法
Bo Han(理化学研究所 革新知能統合研究センター)
【原発表の書誌情報】 Han, B., Yao, Q., Yu, X., Niu, G., Xu M., Hu, W., Tsang, I., Sugiyama, M.:Co-teaching: Robust training of deep neural networks with extremely noisy labels, Advances in Neural Information Processing Systems 31 (NeurIPS) (2018).
【概要】 ノイズの多いラベルに対する深層学習は、深層モデルの容量はあまりに大きいので、訓練中にそのうちノイズの多いラベルを全て記憶してしまうため困難である。本論文では、ノイズの多いラベルに対処するため、“Co-teaching”とよぶ、深層学習の新たな枠組みを提案する。これは、二つの深層NNを同時に訓練し、各ミニバッチごとに他方のNNに教えるようにする。
【略歴】 I am a postdoc fellow at RIKEN-AIP, working with Masashi Sugiyama. I pursued my Ph.D. degree in Computer Science from University of Technology Sydney, Australia. I was also a Ph.D. student at Centre for Artificial Intelligence in UTS, and my Ph.D. advisors are Ivor W. Tsang and Ling Chen.