このセミナーでは、以下の二つの関連するテーマについてお話しします。パート１では、ディープラーニングシステムの「推定の不確かさ」（不確実性）をどうやって数値化し、失敗を防ぐかということについてお話しします。推定の不確かさは、「データ」そして「モデル」という二つの根源から発生します。例えば、ヒストロジーの画像から、がん細胞の悪性度を測定するシステムをディープラーニングを使って行ったとします。インプット画像が曖昧で、十分な情報が含まれていない場合、悪性度を推定することは難しくなります。これはデータが原因となる、推定の「不確かさ」です。もしくは、十分に情報が含まれていたとしても、学習データに似たようなケースがなかった場合、推定は難しくなります。これは「モデル」が原因となる「不確かさ」の良い例です。「データ」と「モデル」ということなる要素から発生する不確かさを、別々にモデルすることにより、推論のリスクの数値化をするだけではなく、説明できるようになるのではないかと考えています。このことについては、Image Quality Transferという応用例を通してお話ししたいと思います。 パート２では、「人為的不確かさ」をモデル化することにより、ノイズが多いデータから効率的に学習する方法についてお話ししたいと思います。多くの医療画像解析のアプリケーションでは、学習データを用意するとき、医療知識のある専門家たちに、画像のラベル付けをしていただく必要があります。お医者さんの技量やバイアスによって、ラベルの質が変わってくる上、間違えが含まれていること、意見が一致しないことも多々有ります。データの量が限られている場合、ラベルの間違いやノイズは、機械学習システムの精度に影響を与えかねません。ですが仮に、お医者さん一人一人の間違えの傾向を把握していたとしたら、間違えを修正して、きれいなラベルを使ってモデルを学習させることができます。人間の間違えの傾向をモデル化することで、ラベルの修正と、アルゴリズムの学習を同時に行う方法について、お話します。
Invited by Prof. Yoshitaka Masutani