[ English | Japanese ]

コンピュータはどこまで賢くなれるのか？
機械学習の理論構築，アルゴリズム開発，実世界応用

情報通信技術の飛躍的な発展に伴い、推論や創造など人間にしかできないと思われていた知的な活動が、コンピュータによって実現できるようになってきました。杉山研究室では、「コンピュータはどこまで賢くなれるのか」をテーマに、人工知能分野の機械学習とよばれる知的情報処理技術に関する研究を行っています。

  • 学習理論の構築
    汎化とは、学習していない未知の状況に対応できる能力であり、コンピュータが知的に振る舞うために不可欠です。本研究室では、確率論や統計学などに基づいて、コンピュータが汎化能力を獲得できるメカニズムを数理的に探求しています。

  • 学習アルゴリズムの開発
    機械学習には、入出力が対になったデータから推論する教師付き学習、入力のみのデータから学習する教師なし学習、環境との相互作用を通して長期的な意思決定を最適化する強化学習など、様々な課題があります。本研究室では、理論的な裏付けを持ちつつ、実用性の高い機械学習アルゴリズムを開発しています。

  • 機械学習技術の実世界応用
    人工知能技術の発展と普及に伴い、文書、音声、画像、動画、行動、経済などの実世界データや、物理、化学、生命、医学、天体、ロボットなどの実験観測データが大量に収集されるようになってきました。本研究室では国内外の企業や研究所と連携し、最先端の機械学習アルゴリズムを駆使した実課題解決に挑戦しています。

計算で見る見えない世界
人の知覚を超えるセンシングとスケールで実世界を捉える

横矢研究室では，複雑な実世界の状況を理解するための視覚情報処理技術の研究に取り組んでいます．当研究室はコンピュータビジョンとリモートセンシングの融合領域に位置し，多様なスケールとモダリティにわたって，人間の知覚を超えることを目指した計算イメージングとシーン理解を行っています．

  • 計算イメージングと逆問題
    センシングと計算を統合することで，解像度，ノイズ，遮蔽といったハードウェアの限界を克服することを目指しています．最適化，信号処理，機械学習に基づく数理モデルとアルゴリズムを開発し，不完全かつノイズを含む観測データから元のシーンや信号を復元する研究に取り組んでいます．高次元かつマルチモーダルな画像の再構成や高精細化といった，困難な逆問題にも挑戦しています．

  • シーン理解とマルチモーダル融合
    複雑な実世界環境を理解するために，意味的・幾何的構造の再構成，デジタルツインの生成，インタラクティブなシーン解釈に取り組んでいます．これには，衛星，ドローン，地上センサなどのマルチプラットフォームで取得された光学，熱，レーダ，LiDARデータの統合が含まれます．また，汎用的かつ対話的なシーン理解を実現するため，視覚言語モデルの活用にも取り組んでいます．さらに，学習データの制約に対応するため，自己教師あり学習，合成データ，シミュレーションを活用した効率的な学習手法の研究も行っています．

  • リモートセンシング画像解析
    リモートセンシングは，人が立ち入ることが困難な自然環境から密集した都市部まで，広域な観測を可能にします．都市構造，森林バイオマス，農地の分布，災害による被害といった地理空間的な特徴をマッピング・モニタリングするためのアルゴリズムを開発しています．OpenEarthMapプロジェクトを通じて，マッピング性能における地理的な公平性の実現を目指し，オープンデータセットの構築と，資源効率の高いアルゴリズムの開発に取り組んでいます．

データ評価とモデル学習のためのAI技術研究

人工知能（AI）システムはきわめて速いペースで進化しているため、従来の評価パイプライン（ベンチマークを作り、より優れたモデルでスコアを塗り替え、さらに次のモデルで更新すること）では速度に追いつけなくなりつつあります。 課題が広範、高度、またはオープンエンドになるほど、それらを検証するベンチマークの作成には専門家による数か月から数年規模の労力が必要です。 さらに、AIシステムが人間レベル、あるいはそれを超える性能に達しつつある現在、人間が監督することや高品質な教師シグナルを提供すること自体が難しくなっています。 当研究室では、このような課題に対して、AIモデルの進歩を測り、限られた不完全な人間の能力と監督でもより良いモデルを学習・評価できるツールの開発に取り組んでいます。

  • AIの評価（AI Evaluation）
    ベンチマークが「解け切った」タイミングを検知し、再設計の指針を示し、AIシステムの性能上限と現状のギャップを定量化するといった、データセントリックな手法・メタベンチマーク手法を開発しています。モデルが将来的に超人的な性能へ到達しても、AIの進歩を正確に示し続けられる評価基盤の構築を目指します。

  • スケーラブルな監督（Scalable Supervision）
    多様なタスクでAIモデルが人間専門家を上回る未来を見据え、人間による不完全な教師シグナルから学習するアルゴリズムや監督メカニズムを設計しています。高品質な人間の監督が実質的に困難になっても、より強力なモデルを人間の意図に沿わせ続けることを目標としています。