少ないデータに対する機械学習、深層学習の適用
【LIVE配信】2024/4/15(月) 10:30~16:30 , 【アーカイブ配信】4/16~4/30 (何度でも受講可能)
お問い合わせ
03-6206-4966
開催日時 | 未定 |
---|---|
担当講師 | 村田 剛志 氏 |
開催場所 | 未定 |
定員 | - |
受講費 | 未定 |
【提携セミナー】
主催:サイエンス&テクノロジー株式会社
グラフへの深層学習の適用に興味をお持ちの方におススメの入門セミナーです。
基本的な知識と研究事例、さらには今後学習していくための情報源についても言及。
高度な画像認識、推薦システム、交通量予測、化合物分類などへの応用にも期待のGNNについて、
この機会に情報収集してみませんか?
深層学習は、画像認識や自然言語処理などの分野において華々しい成果を収めてきており、それをグラフに対して適用するための研究が近年非常に盛んになってきている。グラフやグラフ中の頂点を高精度に分類することができれば、高度な画像認識、推薦システム、交通量予測、化合物分類などへの応用が期待できる。その一方で、グラフを扱う上での固有の問題やチャレンジがあることも指摘されてきている。本セミナーでは、グラフニューラルネットワークの基本的な知識およびいくつかの研究事例について紹介するとともに、今後の学習のための情報源などについても述べる。
得られる知識
受講対象
東京工業大学 情報理工学院 教授 博士(工学)
村田 剛志 氏
【専門】人工知能、ネットワーク科学、機械学習
人工知能学会、情報処理学会、日本ソフトウエア科学会、AAAI、ACM会員
人工知能学会 理事 (2013-2015)
情報処理学会 データサイエンス教育委員会 委員 (2020)
1.イントロダクション
1.1 畳み込みニューラルネットワーク
1.2 グラフの深層学習
1.3 グラフを対象としたタスク
2.グラフニューラルネットワークの応用
2.1 画像認識, 推薦システム, 交通量予測, 化合物分類
2.2 COVID-19とグラフニューラルネットワーク (時間があれば解説)
3.グラフエンベディング
3.1 エンベディング
3.2 DeepWalk
3.3 LINE
4.Spectral Graph Convolution
4.1 グラフ畳み込みのアプローチ
4.2 グラフラプラシアン
4.3 グラフフーリエ変換
4.4 ChebNet
4.5 GCN
5.Spatial Graph Convolution
5.1 PATCHY-SAN (時間があれば解説)
5.2 DCNN (時間があれば解説)
5.3 GraphSAGE
6.関連トピック
6.1 Graph autoencoder
6.2 Attention, GAT
6.3 GraphRNN (時間があれば解説)
6.4 動的変化とGNN
6.5 敵対的攻撃とGNN
6.6 GNNの単純化・可能性・限界
6.7 GNNの説明可能性
7.今後の課題
7.1 浅い構造
7.2 動的グラフ
7.3 非構造データ
7.4 スケーラビリティ
8.PyTorchによる実装
8.1 深層学習ライブラリ
8.2 Google Colaboratory
8.3 PyTorch
8.4 PyTorch Geometric
8.5 Open Graph Benchmark
9.今後の学習のための情報源
9.1 サーベイ論文, 書籍
9.2 Web上の情報源
9.3 チュートリアル
□質疑応答□
※講演内容詳細はアップデートする可能性がございます。
未定
未定
未定
※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。
★下のセミナー参加申込ボタンより、必要事項をご記入の上お申し込みください。