研究トピック紹介

　近年、人工知能（AI）が大いに発展し、基礎研究から実社会の至る所で、AIによる変革が起こっています。この革新を可能にしたのは、深層学習と呼ばれる情報処理技術の発明です。深層学習によるデータ予測精度は既存技術を大きく上回り、その性能に基づく信頼性が、自動運転や医療診断と言った新しい技術を可能にしています。

　しかし、なぜ深層学習がここまで高い性能を発揮できるのかは、未だ多くの謎が残されています。実際に用いられる深層学習は、数千万個のパラメータを持つ大規模な数理モデル（多層ニューラルネットワーク）を用います。しかし、深層学習が登場する前の統計・機械学習の理論は、このような大規模モデルはデータの不確実性に対して脆弱で性能は悪化するとされ、中・小規模の数理モデルを使うことが正当化されてきました。このように、深層学習は既存の理論と矛盾する方法で、高い性能を達成しているのです。

　本研究室では、この深層学習の原理を記述する新しい理論体系の構築を行っています。成果の例としては、データが特異性と呼ばれる性質を持つとき深層学習のみ性能を劣化させないことや、損失関数の極限の性質が深層学習の不安定性の解消を説明できることを数学的に示しています。しかし深層学習に関わる謎は未だ多く、研究課題はまだまだ尽きません。