情報数理学専攻 令和5年度 情報数理学セミナー
第6回
| 日時: | 8月3日（木） 13:30～15:00 |
| 会場: | 情報科学研究科A棟 A110 |
| 講演者: | 岡野 訓尚（立命館大学 理工学部 電気電子工学科 准教授） |
| 講演題目: | フィードバック制御と信号の情報量 |
| 概要: |
フィードバック制御は，制御対象の状態を観測もしくは推定によって取得し，それに応じた適当な入力を印加することで対象を所望の状態に導くことを目的とする．では，どの程度正確に状態を把握すべきか？この疑問は，通信ネットワークを介した制御システムにおいて，ネットワークが備えるべき通信容量の問題として注目されてきた．また，観測可能な情報が膨大になる大規模システムの制御を念頭に，フィードバックする情報の種類を制御目的に照らして取捨選択する手法についても研究が行われている．本講義では，これらシステムの制御と信号のもつ情報に関する研究について，講演者が携わったものを中心に概説する． |
第5回
| 日時: | 6月15日（木） 13:30～15:00 |
| 会場: | 情報科学研究科A棟 A109 |
| 講演者: | 新岡 宏彦（情報数理学専攻/スマートコントラクト活用共同研究講座 特任准教授） |
| 講演題目: | 深層学習のバイオメディカル応用について |
| 概要: |
深層学習は人や車などの一般的な画像認識においては人の能力と同程度あるいはそれを上回るレベルに達したと言われており、バイオや医療分野への応用も急速に進んでいる。実際に医療現場やバイオ研究において使用されている事例も既に登場している。講義では主に画像を対象とした深層学習技術について紹介する。具体的には、画像分類、波形データ分類、セマンティックセグメンテーション、物体検出、ノイズリダクション、超解像、自己教師あり学習などの技術についてである。さらに、顕微鏡画像、内視鏡画像、眼底画像、胸部X線画像など様々なバイオメディカル画像データに対する応用事例や最近の技術を紹介する。 |
第4回
| 日時: | 6月8日（木） 13:30～14:15 |
| 会場: | 情報科学研究科A棟 A110 |
| 内容: | 博士論文公聴会 |
| 講演者: | 出水 宰（森田研） |
| 講演題目: | 機械学習による新規アイテムの需要予測と意思決定最適化に関する研究 |
| 概要: |
本論文は，新規アイテムとしてオンライン領域でのWeb広告と，オフライン領域でのサプライチェーン上の小売商品を対象とし，各領域で新規アイテムを市場投入した際の需要変動を予測して，意思決定を最適化する手法を提案する． 一点目のWeb広告では，特にインフィード広告はクリック率の時間減衰が速いという特徴がある．その時間減衰を配信前に予測し，広告選択や掲載期間決定といった配信計画への活用を目的とする．広告に紐付くマルチモーダルな特徴量による再帰型ニューラルネットの深層学習モデルを確立し，配信実績を用いた評価実験で有効性を示す． 二点目のサプライチェーンでは，製品ライフサイクルが短いスマートフォンに着目し，新規商品の発売開始と同時に適用でき，欠品発生率を抑え，利益全体の最大化と余剰在庫数の最小化が可能な在庫運用の実現を目的とする．過去商品の販売実績を用いたモデルベース深層強化学習による在庫管理手法を確立し，在庫管理シミュレーションで有効性を示す． |
第3回
| 日時: | 5月18日（木） 15:10～16:10 |
| 会場: | P1-311 |
| 担当: | 小西 毅 准教授、木村 吉秀 准教授 |
| 講演題目: | 安全教育講習会Ⅱ Lectures for safety education 2 |
| 目的: |
博士前期・後期課程の教育・研究において、またその後の社会活動においても重要な事柄である「安全」について、その概略を講義する。 Purpose: The lectures are delivered for understanding the guideline of "safety" which is important for social activities following the education and research of the master and doctoral course. |
| 内容: |
|
第2回
| 日時: | 5月11日（木） 13:30～14:30 |
| 会場: | 情報科学研究科A棟 A110 |
| 内容: | 博士後期課程中間発表会 |
| 講演者: | ZHUANG QIANWEI（森田研） |
| 講演題目: | Accelerating large-scale data envelopment analysis computation |
| 概要: | Data envelopment analysis (DEA) is a useful tool for efficiency evaluation of a set of homogeneous decision-making units (DMU) with multiple inputs and outputs. However, as the number of DMUs increases, the computation time increases significantly. We focus on DEA variable returns to scale (VRS) model and propose two effective approaches for accelerating the computation when a large number of DMUs are present, which is called a large-scale DEA problem. In fact, only efficient DMUs serve as benchmarks for the less efficient ones and constitute the production frontier in DEA. Thus, a common solution is to determine all efficient DMUs in the 1st stage, and then evaluate the rest with respect to the efficient ones in the 2nd stage. The general philosophy behind our first approach is to find all the efficient DMUs among the set of exteriors with respect to a subsample of efficient DMUs that can be determined in a simple arithmetic way. The second approach pre-evaluates DMUs in the 1st stage with respect to a constantly updated temporal frontier. We conduct empirical experiments to verify the effectiveness of our two approaches on both simulated and real datasets considering different number of DMUs and dimension (total number of inputs and outputs). For the first approach, the results confirmed the advantages and robustness of our method, which can reduce the size of the exterior set and consume less time than the current best approach for large-scale DEA computation. For the second approach, the results reveal that our approach can make a portion of the less efficient DMUs be evaluated with reference to the complete production frontier in the 1st stage, which can mitigate the computation load of the 2nd stage as a result. They also reveal that the pre-evaluation result of the 1st stage has high consistency (more than 96.5% considering 1e-6 as an error range on all datasets) with the 2nd stage, which means a quick and reliable estimate of DMUs' performance for decision-makers. In addition, the second approach achieves 91.78% reduction of computation time on a real dataset (33742 DMUs, 2 inputs and 4 outputs) in comparison with the current most effective approach to our best knowledge. However, the second approach is restricted to sequential computation while the first one has parallel computation potential. |
| 講演者: | THANASUTIVES PONGPISIT（沼尾研） |
| 講演題目: | Physics-informed machine learning approach to data-driven partial differential equation discovery |
| 概要: | Data-driven discovery is concerned broadly with utilizing machine-learning algorithms or a pipeline for extracting scientific knowledge, often expressed by differential equations. This approach can be beneficial in cases where traditional analytical methods are either insufficient or infeasible. However, existing methods, which demonstrated partial differential equation (PDE) identification, failed to maintain accurate discovery results and lacked computationally-reasonable effective model selection techniques against noise. Towards addressing the issues, procedures of a physics-informed framework are described to identify the optimal PDE that describes observational data. First, smoothed candidate features, capable of predicting system evolution or temporal derivative, are collected to construct hidden dynamics. Next, best-subset solvers are employed to thoroughly obtain possible closed forms of the true PDE at diverse complexities. Statistical information criteria among found PDEs are computed efficiently to select the optimal equation. Ultimately, denoising physics-informed neural networks deliver the finetuned PDE parameters or coefficients respecting noise-reduced variables. Various interesting aspects of improving the aforementioned three main steps of the noise-aware physics-informed machine learning framework are also discussed. Overall, the proposed framework offers a practical and competent approach for data-driven discovery of PDEs, even in noisy circumstances. |
第1回
| 日時: | 4月27日（木） 15:10～16:10 |
| 会場: | P1-311 |
| 担当: | 松﨑 賢寿 助教、馬越 貴之 講師 |
| 講演題目: | 安全教育講習会Ⅰ Lectures for safety education 1 |
| 目的: | 博士前期・後期課程の教育・研究において、またその後の社会活動においても重要な事柄である「安全」について、その概略を講義する。 The lectures are delivered for understanding the guideline of "safety" which is important for social activities following the education and research of the master and doctoral course. |
| 内容: |
|