Discovery Sagaサイレントキーワード俯瞰

本年度の研究では，スケーラビリティを考慮しながら，ディープニューロ進化におけるモチーフ構造（遺伝子型）と機能（表現型）の因果関係を導出する手法の実現を試みた．
このメカニズムの解明は，モチーフ性を制御して機能創発を的確に導くための理論的基盤となる．具体的には，ディープニューロ進化の基本的なデータ構造であるグラフや木構造のような離散構造に対して，統計的学習・非線形力学系解析や代数的学習手法を利用して効果的に構造を生成するアルゴリズムを構築しその有効性を実験的に検証した．
たとえば，蟻コロニー最適化（ACO）を用いることで時系列予測をするLSTMの過学習を抑制する枠組を提案した．ドロップアウトなどの過学習を防ぐ手法と組み合わせることで，合理的な計算時間でLSTMの内部構造を最適化することに成功した．石炭火力発電所，気象，経済の3つの異なる実世界データの時系列予測に対して本手法を適用し，ドロップアウト・ドロップコネクトなどの他手法と比較してその効果を検証した．
また，GAN(Generative Adversarial Network)を用いたvoxel表現された3Dモデルの生成に対して，本手法を対話型進化計算に応用するアプローチを提案した．従来の手法は，ランダム性が高すぎるため好みの構造物が生成されなかったり，一度好みのものが生成されても次の選択肢から消えてしまうという弊害が頻繁に起こっていた．この原因としては，既存のシステムが機械側で好ましいと思われる構造物の選別をせず，生成された構造物をそのままユーザーに提示していることが挙げられる．これに対して，本研究ではグラフカーネルを用いた構造物生成手法を提案した．ランダムに生成する構造物の類似性比較や被験者によるアンケート実験を通して，その有用性を統計的に検証した．

【研究分担者】
長谷川禎彦	東京大学	大学院情報理工学系研究科	准教授	(Kakenデータベース)