トップコンファレンス3-1 機械学習
2024/9/4 15:30-17:30
第4イベント会場

座長：松原　崇（北海道大学）

15:30-15:50 講演(1) 【タイトル邦題】 実数値組合せ多腕バンディット問題における固定予算純粋探索
中村　紳太郎（東京大学 大学院新領域創成科学研究科複雑理工学専攻杉山・横矢・石田研究室 博士課程3年）
【原発表の書誌情報】 Nakamura, S., Sugiyama, M.:Fixed-budget real-valued combinatorial pure exploration of multi-armed bandit, In International Conference on Artificial Intelligence and Statistics (AISTATS 2024). pp. 1225–1233 (2024)
【概要】 組み合わせ多腕バンディット問題はマッチング問題や最短経路問題など組み合わせ構造を持つ様々な問題に適応可能だが、既存研究は最適輸送問題やナップザック問題など実行可能解が実数ベクトル（行列）であるような組み合わせ問題には適応不可能であった。本講演では、実行可能解が実数ベクトル（行列）である実数値組合せ多腕バンディット問題において、固定予算設定のもとで効率的に最適解を探索するアルゴリズムを紹介する。
【略歴】 2020年東京大学計数工学科卒業. 2022年東京大学複雑理工学専攻修了. 現在東京大学新領域創生科学研究科複雑理工学専攻在籍中. 株式会社EfficiNet X 代表取締役.
15:50-16:10 講演(2) 【タイトル邦題】 Disentanglementの定義に関する圏論的メタ分析
張　一凡（東京大学 情報理工学系研究科杉山研究室）
【原発表の書誌情報】 Zhang, Yivan, and Masashi Sugiyama. "A Category-theoretical Meta-analysis of Definitions of Disentanglement."In International Conference on Machine Learning, pp. 41596-41612. PMLR, 2023.
【概要】 Disentangling the explanatory factors in data is pivotal for achieving reliable, generalizable, and data-efficient machine learning. While disentanglement has garnered significant attention in machine learning, the multitude of definitions, metrics, and methods proposed by researchers from various mathematical disciplines, such as algebra, statistics, and topology, pose challenges in theoretical comparison and analysis. In this study, we propose a systematic and rigorous approach to disentangled representation learning by leveraging category theory as a unifying language. Through the lens of category theory, we unveil both the similarities and crucial differences among different disentanglement definitions, including those based on functions, relations, equivariant maps, and stochastic maps, grounded in categorical concepts such as the cartesian product and monoidal product. Overall, our categorical framework provides a structured approach for researchers to navigate diverse definitions of disentanglement, select appropriate learning objectives and evaluation metrics, and consequently devise effective learning algorithms.
【略歴】 Yivan Zhang is a doctoral student at the Department of Computer Science, the Graduate School of Information Science and Technology, the University of Tokyo. He has been working on weakly supervised learning, transfer learning, and applied category theory in machine learning. His research was supported by RIKEN AIP, JSPS, JST, and MSRA.
16:10-16:30 講演(3) 【タイトル邦題】 乱択ガウス過程UCBとその期待リグレット上界
竹野　思温（名古屋大学 大学院工学研究科機械システム工学専攻 助教）
【原発表の書誌情報】 Shion Takeno, Yu Inatsu, Masayuki Karasuyama Randomized Gaussian Process Upper Confidence Bound with Tighter Bayesian Regret Bounds Proceedings of The 40th International Conference on Machine Learning (ICML 2023), vol. 202, pp. 33490-33515, PMLR, 2023.
【概要】 ガウス過程UCBアルゴリズムはベイズ最適化の理論解析において非常に重要な役割を果たしてきた. 本論文では, ガウス過程UCBアルゴリズムにランダムネスを導入することで理論的なメリットが得られることを示す.
【略歴】 2023年 名古屋工業大学大学院 情報工学専攻 博士後期課程 修了. 2023年度 理研AIP データ駆動型生物医科学チーム 特別研究員. 2024年度より 名古屋大学大学院工学研究科 機械システム工学専攻 助教. 2023年10月より JST ACT-X研究員. 専門は機械学習で, とくにベイズ最適化の研究に従事.
16:30-16:50 講演(4) 【タイトル邦題】 非負テンソルの多体分解
ガラムカリ　和（理化学研究所 革新知能統合研究センター 基礎科学特別研究員）
【原発表の書誌情報】 Ghalamkari, K., Sugiyama, M., & Kawahara, Y. (2024). Many-body Approximation for Non-negative Tensors. Advances in Neural Information Processing Systems, 36.
【概要】 テンソル（多次元配列）はデータの高次の自由度を扱える自然なデータ構造であり，実世界の様々なデータがテンソルとして計算機に格納されている．テンソル形式のデータを積の形に分解することで，データに潜むパターンや特徴を抽出できる．しかし，テンソルの低ランク性を仮定する従来の分解には，モデル選択の非自明さと最適化の不安定性という課題が知られている．そこで本講演では，テンソルの軸（モード）間の相互作用でテンソルの分解構造をモデリングするテンソル多体分解を導入する．本手法は，モデルに潜在変数を課すのではなく，可視変数間の高次の相互作用を取り入れる．これによって，テンソルのモード同士の関係に着目した直感的なモデル選択が可能になる上に，安定性を損なわない分解が定式化できる．
【略歴】 2016.04 - 2018.03 東北大学理学研究科物理学専攻博士前期課程
2018.04 - 2020.03 日立製作所研究開発グループ
2020.04 - 2023.03 総合研究大学院大学５年一貫博士課程３年次編入
2023.04 - 現在 理化学研究所革新知能統合研究センター
16:50-17:10 講演(5) 【タイトル邦題】 文脈付き線形バンディット問題に対する両環境最適アルゴリズム
黒木　祐子（CENTAI Institute Postdoctoral Researcher）
【原発表の書誌情報】 Yuko Kuroki, Alberto Rumi, Taira Tsuchiya, Fabio Vitale, Nicolò Cesa-Bianchi: Best-of-Both-Worlds Algorithms for Linear Contextual Bandits. Proceedings of The 27th International Conference on Artificial Intelligence and Statistics (AISTATS2024), PMLR 238:1216-1224, 2024.
【概要】 文脈付きバンディット問題は、各選択肢の報酬が文脈（特徴量ベクトル）に依存する環境で最適な行動を選ぶ、基本的な逐次的学習問題の一つである。本講演では、この問題に対する初の確率的環境と敵対的環境の両方で最適に近い性能保証を持つ「Best-of-Both-Worlds（両環境最適）」アルゴリズムについて紹介する。
【略歴】 2021年東京大学大学院情報理工学系研究科博士課程修了, 博士（情報理工学）. 同大学院で助教，理化学研究所革新知能統合研究センター（AIP）客員研究員を経て，2023年からはイタリア・トリノのCENTAI Instituteにて, 逐次的学習理論及びデータマイニングの研究に従事. 2021年井上研究奨励賞を受賞．
17:10-17:30 講演(6) 【タイトル邦題】 RNAファミリー配列の深層生成設計
角　俊輔（東京大学 定量生命科学研究所 RNP生命工学研究分野 特任助教）
【原発表の書誌情報】 Sumi, S., Hamada, M., & Saito, H. Deep generative design of RNA family sequences. Nature Methods, 21(3), 435-443 (2024).
【概要】 本研究では、深層生成モデルにRNAの確率モデルとを組み合わせることで、データ効率の良い深層生成モデルRfamGenを開発した。RfamGenは、実験的な機能性を有する様々なRNAファミリー配列を生成可能であることが示された。
【略歴】 2024年 京都大学大学院医学研究科博士課程修了、博士（医学）。2024年4月より東京大学 定量生命科学研究所 特任助教。分子工学とバイオインフォマティクス研究に従事。
参加する >