計算モデルにガイドされた急成長を伴う時空間モデルの開発

本年度は, 大きく2つの活動を行った. 1つ目, 血腫の画像認識タスクは, モダンな認識モデルを用いて転移学習を行うとみかけ上は低いテスト誤差となる. 因果関係にある物体をトレーニングデータから消去するという形の疑似相関問題への対処を行い, クラス不均衡問題への対処をクラス重み法で対処した上で, 半教師ありバージョンのマルチインスタンス学習を行う形のアルゴリズムを実験した. 半教師ありバージョンの深層マルチインスタンス学習は,深層マルチインスタンス学習をベースとした改良版として開発した. これに伴い, 半教師ありとして実験するための全体の準備と実験を行った. 具体的には, 半教師ありとして用いるためのアノテーションを行うための補助ツールを開発, 研究室でアノテーションを実行, マルチラベル学習も考慮したトライアルも実行などである. 2つ目、一方, ここでは全体として極めてステップ数の多い学習を行う. つまり, 疑似相関問題やクラス不均衡問題への対処を行ない, かつ, 認識やセマンティックセグメンテーションのジョイント学習などを行う. この学習過程を深層学習でエンドツーエンドでデザインするには, 埋め込みをどう連結するかをデザインする必要がある. 安易にデザインすると、(1)小規模のデータであるためにバイアスのかかる過程が多い, (2) SimCLRなどを用いると埋め込みを変形する, などを考慮する必要がある. なお, 上記いずれも, 査読なしの学会発表で初期版の発表を行ったのみで, 内容を追加して、洗練して, 査読つきの国際学会に通す作業は年度が変ってから作業をしている.

本年度は, 大きく2つの活動を行った. 1つ目, 血腫の画像認識タスクは, モダンな認識モデルを用いて転移学習を行うとみかけ上は低いテスト誤差となる. 因果関係にある物体をトレーニングデータから消去するという形の疑似相関問題への対処を行い, クラス不均衡問題への対処をクラス重み法で対処した上で, 半教師ありバージョンのマルチインスタンス学習を行う形のアルゴリズムを実験した. 半教師ありバージョンの深層マルチインスタンス学習は,深層マルチインスタンス学習をベースとした改良版として開発した. これに伴い, 半教師ありとして実験するための全体の準備と実験を行った. 具体的には, 半教師ありとして用いるためのアノテーションを行うための補助ツールを開発, 研究室でアノテーションを実行, マルチラベル学習も考慮したトライアルも実行などである. 2つ目、一方, ここでは全体として極めてステップ数の多い学習を行う. つまり, 疑似相関問題やクラス不均衡問題への対処を行ない, かつ, 認識やセマンティックセグメンテーションのジョイント学習などを行う. この学習過程を深層学習でエンドツーエンドでデザインするには, 埋め込みをどう連結するかをデザインする必要がある. 安易にデザインすると、(1)小規模のデータであるためにバイアスのかかる過程が多い, (2) SimCLRなどを用いると埋め込みを変形する, などを考慮する必要がある. なお, 上記いずれも, 査読なしの学会発表で初期版の発表を行ったのみで, 内容を追加して、洗練して, 査読つきの国際学会に通す作業は年度が変ってから作業をしている.