研究者一覧

計算機が実世界を理解するための基礎となる機械学習や特徴抽出技術に対して、数理的な観点から高性能なアルゴリズムの提案や、アルゴリズムの解析を行うことを目指しています。
過去に取り組んだ主なテーマは、

(1) 因果指標推定のための確率モデルに関する研究
与えられた時系列間の影響量を測る因果指標の推定において、既存のモデルと等価な確率的生成モデルを提案し、ベイズ推定により既存手法より少サンプルでも推定を可能にする手法を提案しました。さらに半教師付学習の手法を適用し、サンプルに欠損がある場合でも推定可能になるように拡張しました。

(2) カーネルの近似に基づく特徴設計に関する研究
画像認識に用いられる技術である局所特徴抽出、コーディング、プーリングといったタスクに対してカーネル近似の観点から手法の提案を行いました。提案手法により特徴量の次元が少なくても精度の高い認識が可能になり、またカーネルの観点からの性能の解析が可能になりました。

(3) 不変性に基づく特徴設計に関する研究
特徴量の設計において、どのような変換が入力データの情報を不変に保つか、という不変性の情報が重要になります。不変性を数理的に扱うための群表現論の手法を画損認識のコーディング技術と組み合わせることで、既存手法を不変な特徴に拡張する手法を提案しました。また、近年有効性が示されているDeep Neural Networksと群表現論を組み合わせることで不変なネットワークを作る研究にも取り組んでいます。