ホーム > GCL TechTalk シリーズ > 2016/03/14 Global Design Symposium: 情報理工R2P／GCL／領域知識創成教育研究プログラム共催シンポジウム「人工知能への情報理工学の取り組み」
GCL TechTalk シリーズ
2016/03/14 Global Design Symposium: 情報理工R2P／GCL／領域知識創成教育研究プログラム共催シンポジウム「人工知能への情報理工学の取り組み」
| 主催： | 東京大学大学院情報理工学系研究科 R2P（Research on Research Program on IST ） |
| 共催： | 東京大学ソーシャルICTグローバル･クリエイティブリーダー育成プログラム |
| 領域知識創成教育研究プログラム |
日時：2016年3月14日（月）13:30-17:30 （開場13:00） 
場所：東京大学 本郷キャンパス 工学部2号館 4階 241講義室
定員：200名（参加費無料，事前登録制）
参加登録：事前に、こちらの専用サイトより登録してください。
※事前登録を締め切らせていただきました。
司会：中田 登志之（情報理工学系研究科長補佐（産学連携担当）・教授）
【第1部】
| 13:30 – 13:35 | 開会の挨拶 坂井 修一（情報理工学系研究科・研究科長／教授） |
| 13:35 – 14:05 | 講演1「複雑データからの深い潜在知識の発見」 |
| 山西 健司（情報理工学系研究科･教授） | |
| 14:05 – 14:35 | 講演2「機械学習を用いた画像理解」 |
| 原田 達也（情報理工学系研究科･教授） | |
| 14:35 – 15:05 | 講演3「ベイズ的最適化(Bayesian Optimization)の入門と応用-機械学習による機械学習の実験計画」 |
| 佐藤 一誠（新領域創成科学研究科･講師） | |
| 15:05 – 15:30 | 全体Q&A |
（10分休憩）
【第2部】
| 15:40 – 16:10 | 講演4「人工知能・ロボティクスの方向性と課題」 |
| 國吉 康夫（情報理工学系研究科･教授 ／ GCLプログラムコーディネーター） | |
| 16:10 – 17:25 | パネルディスカッション「人工知能への情報理工学の取り組み」 |
| モデレーター：中田 登志之（情報理工学系研究科長補佐（産学連携担当）・教授） | |
| パネリスト： 講演者＋中山 英樹（情報理工学系研究科・講師） | |
| 17:25 – 17:30 | 閉会の辞 千葉 繁（情報理工学系研究科・副研究科長／教授） |
＜講演概要＞
◆「複雑データからの深い潜在知識の発見」 山西 健司（情報理工学系研究科･教授）
ビッグデータの時代では、大量のデータを処理することはもちろんのこと、複雑なデータの背後に潜む深い知識を発見することが求められている。それはデータの表面からは分からないデータ間の潜在的な関係性であったり、それらの変動であったりする。
本講演では潜在的な深い知識を発見するための２つの新しい方法論として「潜在的ダイナミクス」と「関係データ統合予測」を解説し、実際の応用（マーケティング、交通リスクマイニング、緑内障進行予測）を通じて、どのような深い知識が抽出できるのかの事例を紹介する。
◆「機械学習を用いた画像理解」 原田 達也（情報理工学系研究科･教授）
機械による画像理解ためには，画像の見た目とその意味との乖離であるセマンティックギャップが長年の課題であった．近年のインターネットの発達により大量の画像を容易に入手できるようになり，さらに，クラウドソーシングを利用することで膨大な画像に対してラベルの付与が可能となったために，高品位な画像とラベルのデータセットが構築されるようになった．この大規模かつ高品位なデータセットとGPGPUに代表される強力な計算機パワー，ディープラーニングに代表される効率的な機械学習を活用することで，セマンティックギャップを乗り越える兆しを見せている．本稿では画像理解の例としてカテゴリ認識，物体検出，キャプション生成，動作認識を取り上げ，これらに用いられる機械学習の近年の進展を概観し，その手法を紹介する．
◆ 「ベイズ的最適化(Bayesian Optimization)の入門と応用-機械学習による機械学習の実験計画」 佐藤 一誠（新領域創成科学研究科･講師）
ベイズ的最適化とは、入力から出力を得るコストが高いブラックボックス関数を効率的に最適化する手法の総称である。高コストなブラックボックス関数に対して、少ない入力のステップでより最適化な出力を得ることを目的とする。例えば化学実験において、ある実験設定を入力として、得られた化合物の良し悪しが数値的に計測可能な場合に、より良い実験設定を探索する問題は、ベイズ的最適化の１つの応用例となる。
近年、機械学習アルゴリズムの複雑化にともない、機械学習アルゴリズムの実験設定も複雑化しており、ベイズ的最適化によって機械学習の実験を効率化する研究が注目を集めている。例えば、いくつかのアルゴリズムを複数パイプライン化して使用する場合、個々のアルゴリズム毎にモデル選択方法やハイパーパラメータ設定をするのではなく、全体の性能を考慮した実験設定の最適化が必要になる。このような状況は、実験設定と最終的に欲しい結果との間の関係はブラックボックスになっており、ベイズ的最適化の応用例となる。本発表では、ベイズ的最適化の入門及び応用例を説明する。
◆「人工知能・ロボティクスの方向性と課題」 國吉 康夫（情報理工学系研究科･教授 ／ GCLプログラムコーディネーター）
ＴＢＤ
※シンポジウムの実施時間、内容は予告なく変更になる場合があります。
詳細や申込方法などは本ホームページをご覧いただくか、お問い合わせ先までご連絡ください。
※個人情報の取り扱いについては、シンポジウムの主催者が責任を持って管理します。
問い合わせ先：GCLプロジェクトインキュベーション機構 (pim[at]gcl.i.u-tokyo.ac.jp /[at]を@に変えて送付ください。 )