～ネットワークの作り方，正則化，
生成モデル (VAE や GAN) まで～
小規模データセットのための
実践的ディープラーニング
S200302N
開催日時：2020年3月2日（月） 11:00-17:00 （10:30受付開始）
会 場：オームビル（東京都千代田区神田錦町3‐1）
【地下鉄】
メトロ東西線『竹橋駅』徒歩3分
都営三田線・新宿線・メトロ半蔵門線『神保町駅』徒歩7分
都営新宿線・メトロ千代田線『小川町駅』徒歩7分
メトロ丸ノ内線『淡路町駅』徒歩8分
【JR】
中央線・山手線・京浜東北線『神田駅』徒歩10分
中央線・総武線『御茶ノ水駅』徒歩11分
受 講 料：お1人様受講の場合 47,000円[税別] / 1名
1口でお申込の場合 59,000円[税別] / 1口（3名まで受講可能）
・経歴
2015年 大阪大学大学院基礎工学研究科 博士後期課程修了
2018年度 人工知能学会 全国大会優秀賞 (一般セッション口頭部門)
・所属学会
IEEE，電子情報通信学会，人工知能学会
＜概要＞
ディープラーニングはデータから帰納的に識別モデルを構築するため，十分な性能を得るためには
大量のデータを集めなければならない．しかし実用上，目的に合わせて大量のデータを収集すること
は非常に困難である．そのため
・識別対象に対する知識を使うことでディープラーニングに制約を課す（データ拡張，深層生成モデル）
・別のデータで得られた知見を応用する（ドメイン適応）
などの工夫を行うことで，比較的少ないデータ量でも悪くない性能を達成することができる．
データ拡張とはデータに手を加えて量を増やすことである．例えば，自動車の画像は拡大縮小・左
右反転させても自動車として識別されてほしい．そのような操作を加えることで，元の画像の大きさ
に依存せずに，普遍的な特徴を学習する．またドロップアウト(dropout)のように，データにノイズ
を加える手法もある．それだけでなく，一部を切り取ったりくっつけたりすることもある．なぜこの
ような手法が有効なのか，理論的な背景も含めて説明する．
また深層生成モデル（変分自己符号化器VAEや敵対的生成ネットワークGAN）はリアルな擬似デー
タを作ることができるが，この擬似データを追加の学習データにすることもできる．また深層生成モ
デルそのものを分類に使うことで，小規模データの分類も可能である．
ドメイン適応は目的以外に大規模データセットが存在するときに有効な方策である．ImageNetの
ような大規模データで学習した特徴量を流用したり，ラベルを付与したデータの情報から，ラベルを
与えていないデータを学習を手助けしたりできる．
これらの手法について，いくつかの実例とともに紹介していく．
1.1. ディープラーニングとは
1.2. ディープラーニングの現状
1.3. データ量と性能の関係
2.1. 一般的なデータ拡張とその意味
2.2. 一般的でないデータ拡張と用途
2.3. 生成モデルを用いたデータ拡張
2.4. 生成モデルを用いた設計
3.1. 転移学習
3.2. ドメイン適応
3.3. ドメイン適応を用いたデータ拡張
